李麗芬，黃 如

(華北電力大學(xué)(保定) 計(jì)算機(jī)系，河北 保定 071003)

0 引 言

針對(duì)自動(dòng)駕駛，目標(biāo)檢測(cè)的主要任務(wù)是在車(chē)輛行駛過(guò)程中對(duì)前方道路中的目標(biāo)進(jìn)行識(shí)別與定位，系統(tǒng)提前規(guī)劃行駛路線，保證汽車(chē)安全行駛。但目前通用目標(biāo)檢測(cè)算法在檢測(cè)小目標(biāo)時(shí)由于目標(biāo)分辨率低、特征表達(dá)能力弱，導(dǎo)致出現(xiàn)目標(biāo)漏檢率較高的問(wèn)題，嚴(yán)重影響檢測(cè)效果，是目標(biāo)檢測(cè)任務(wù)亟待解決的難點(diǎn)問(wèn)題[1]。

傳統(tǒng)方法采用人工提取特征來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)，但對(duì)于小目標(biāo)的特征提取效果差，目前小目標(biāo)檢測(cè)的算法都使用卷積神經(jīng)網(wǎng)絡(luò)CNN(convolutional neural networks)提取特征。當(dāng)前，主流的基于CNN的目標(biāo)檢測(cè)算法主要分為兩大類(lèi)。第一類(lèi)是兩階段目標(biāo)檢測(cè)算法(two stage)，此類(lèi)算法首先是生成候選區(qū)域，然后對(duì)候選區(qū)域進(jìn)行類(lèi)別分類(lèi)與位置預(yù)測(cè)。兩階段算法具有較高檢測(cè)精度，但檢測(cè)速度較慢，無(wú)法滿(mǎn)足實(shí)時(shí)性要求，代表算法有RCNN系列[2，3]等。第二類(lèi)為單階段目標(biāo)檢測(cè)算法(one stage)，此類(lèi)算法以回歸為核心思想，取消生成候選區(qū)域，直接利用網(wǎng)絡(luò)中提取的特征來(lái)對(duì)目標(biāo)的類(lèi)別和位置進(jìn)行預(yù)測(cè)，是一種端到端的目標(biāo)檢測(cè)算法，具有更快的檢測(cè)速度。該類(lèi)算法的代表模型有YOLO系列，其中YOLO系列中效果較好的為YOLOv3[4]和YOLOv4[5]。無(wú)論是單階段檢測(cè)算法還是兩階段檢測(cè)算法，都能夠取得較好的檢測(cè)結(jié)果，但對(duì)于小尺度目標(biāo)檢測(cè)仍然存在一些不足。因此，本文提出一種引入Transformer的道路小目標(biāo)檢測(cè)算法來(lái)解決存在的問(wèn)題。

1 相關(guān)工作

目前越來(lái)越多的學(xué)者投入了大量的努力來(lái)提高道路小目標(biāo)的檢測(cè)精度。鄒慧海等[6]對(duì)模型中的特征金字塔網(wǎng)絡(luò)進(jìn)行改進(jìn)，融合不同層特征圖的特征信息來(lái)提高道路小目標(biāo)的檢測(cè)精度。岳曉新等[7]對(duì)YOLOv3網(wǎng)絡(luò)模型的聚類(lèi)算法進(jìn)行優(yōu)化，在原K-means聚類(lèi)算法的基礎(chǔ)上，利用DBSCAN(density-based spatial clustering of applications with noise)聚類(lèi)算法消除聚類(lèi)時(shí)噪音點(diǎn)對(duì)聚類(lèi)結(jié)果的影響，進(jìn)而選取出更適合小目標(biāo)的Anchor Box，提高了道路小目標(biāo)的檢測(cè)精度。羅建華等[8]將模型中的損失函數(shù)替換為DIOU損失，提高目標(biāo)定位精確度，降低了道路小目標(biāo)的漏檢率。

自動(dòng)駕駛領(lǐng)域中，目前常用的目標(biāo)檢測(cè)算法對(duì)近距離大尺度目標(biāo)有較高的檢測(cè)精度，但對(duì)于遠(yuǎn)距離小尺度目標(biāo)的檢測(cè)精度仍然較低。針對(duì)該問(wèn)題，本文以單階段目標(biāo)檢測(cè)算法YOLOv4為基礎(chǔ)，提出一種引入Transformer的道路小目標(biāo)檢測(cè)算法來(lái)提高小尺度目標(biāo)的識(shí)別精度。

YOLOv4算法網(wǎng)絡(luò)結(jié)構(gòu)是由CSPDarknet53[9]特征提取模塊，SPPNet[10](spatial pyramid pooling)與PANet[11](path aggregation network)特征融合模塊和YOLO-Head檢測(cè)模塊3部分組成。如圖1所示，先將原始圖像處理為416×416大小，之后將預(yù)處理后的圖像輸入到特征提取網(wǎng)絡(luò)中，使用CSPDarknet53主干網(wǎng)絡(luò)對(duì)特征圖進(jìn)行多次卷積操作提取圖像特征，輸出13×13、26×26、52×52這3種尺度的特征圖。在特征融合模塊中，13×13尺度的特征圖采用SPP模塊增加網(wǎng)絡(luò)的感受野，并將得到的特征圖與26×26、52×52的特征圖全部輸入到PANet網(wǎng)絡(luò)中實(shí)現(xiàn)淺層特征與深層特征的融合。經(jīng)過(guò)特征融合后，輸入YOLO-Head檢測(cè)頭，最終得到3個(gè)檢測(cè)頭。檢測(cè)頭把特征圖分為S×S個(gè)網(wǎng)格，每個(gè)網(wǎng)格對(duì)應(yīng)3個(gè)先驗(yàn)框，經(jīng)過(guò)非極大值抑制，根據(jù)預(yù)測(cè)值調(diào)整先驗(yàn)框得到最后的預(yù)測(cè)框。

圖1 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)

2 改進(jìn)YOLOv4算法

本文提出一種引入Transformer的道路小目標(biāo)檢測(cè)算法，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。相較原始網(wǎng)絡(luò)，進(jìn)行多尺度檢測(cè)改進(jìn)、引入ICVT模塊(如圖2虛線塊所示)、改進(jìn)SPP模塊并在淺層特征層后嵌入改進(jìn)的SPP+模塊(如圖2虛線塊所示)。

圖2 改進(jìn)YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)

2.1 多尺度檢測(cè)改進(jìn)

YOLOv4采用13×13、26×26和52×52這3種不同尺度的錨框進(jìn)行檢測(cè)。在道路場(chǎng)景中，因遠(yuǎn)距離的車(chē)輛與行人所占像素較少，經(jīng)過(guò)多次卷積后小目標(biāo)的特征信息丟失嚴(yán)重，導(dǎo)致小目標(biāo)的漏檢率提高。

針對(duì)上述問(wèn)題，本文在原有多尺度檢測(cè)基礎(chǔ)上，增加一個(gè)104×104尺度的小目標(biāo)檢測(cè)層，由原來(lái)的三尺度檢測(cè)變?yōu)樗某叨葯z測(cè)。具體操作是將融合后的52×52尺度特征層上采樣得到104×104尺度的特征層，并將其與主干網(wǎng)絡(luò)經(jīng)過(guò)兩次下采樣得到的104×104尺度特征層進(jìn)行融合，獲得104×104尺度的檢測(cè)層。這一改進(jìn)可以使淺層小目標(biāo)特征信息得到充分提取，并與具有較強(qiáng)語(yǔ)義信息的深層特征信息融合，獲得特征信息豐富的小目標(biāo)特征圖，減少小目標(biāo)特征信息的丟失，從而提高小目標(biāo)的檢測(cè)性能，降低小目標(biāo)的漏檢率。

原始YOLOv4的Anchor Box尺寸是依據(jù)COCO數(shù)據(jù)集設(shè)置的，但由于本文針對(duì)的是車(chē)輛與行人檢測(cè)，并且新增一個(gè)檢測(cè)層，導(dǎo)致COCO數(shù)據(jù)集的Anchor Box適配度不高，因此采用K-means聚類(lèi)算法選取適合的Anchor Box。通過(guò)聚類(lèi)計(jì)算得到的12個(gè)錨框尺寸分別為(6，54)，(8，22)，(11，29)，(12，95)，(16，36)，(20，54)，(25，178)，(27，39)，(33，65)，(49，85)，(66，134)，(104，200)。將這12個(gè)錨框尺寸依次分給4個(gè)尺度，其中分辨率較小的檢測(cè)層對(duì)應(yīng)大目標(biāo)的錨框尺寸，分辨率較大的檢測(cè)層對(duì)應(yīng)小目標(biāo)的錨框尺寸，錨框與每個(gè)尺度特征圖的對(duì)應(yīng)關(guān)系見(jiàn)表1。

表1 錨框與特征圖對(duì)應(yīng)關(guān)系

2.2 ICvT模塊

本文選用的是Haiping Wu等學(xué)者[12]提出的CvT(convo-lutional vision transformer)模型。ViT[13](vision transformer)是一種基于自注意力機(jī)制的模型，通過(guò)使用自注意力機(jī)制，可以減少依賴(lài)外部信息，能夠捕獲特征的內(nèi)部相關(guān)性，進(jìn)而獲得豐富的上下文信息，增強(qiáng)特征的表達(dá)能力。CvT模型通過(guò)在ViT中引入卷積神經(jīng)網(wǎng)絡(luò)，使得模型在保持ViT模型優(yōu)點(diǎn)的同時(shí)，也能夠擁有卷積神經(jīng)網(wǎng)絡(luò)的特性。自動(dòng)駕駛中道路場(chǎng)景復(fù)雜，小目標(biāo)的特征信息少，容易與道路中的建筑物混淆，引入該模型能夠充分利用上下文信息，從而分辨出車(chē)輛與行人小目標(biāo)。

CvT模型具體引入兩個(gè)卷積操作：把ViT模型中的分塊處理和自注意力機(jī)制之前的線性投影替換成卷積操作。其中卷積操作雖取消了位置編碼，但實(shí)際上卻能夠隱含地編碼絕對(duì)位置信息[14]。然而，該模型僅僅考慮在卷積操作中位置編碼的問(wèn)題，忽略了位置編碼對(duì)較高層也很重要。為了解決這個(gè)問(wèn)題，本文對(duì)CvT模型進(jìn)行改進(jìn)，在CvT模型的較高層引入Benjamin Graham等學(xué)者[15]提出的注意偏差(attention bias)，使較高層注入相對(duì)位置信息，從而設(shè)計(jì)了ICvT(improved convolutional vision transformer)模塊。模塊結(jié)構(gòu)如圖3所示，具體分為4個(gè)步驟。

圖3 ICvT模塊結(jié)構(gòu)

(1)卷積Token嵌入。對(duì)輸入特征圖進(jìn)行卷積操作生成大小為C×H×W的特征圖，接著把它平鋪(flatten)成 (H*W)×C大小的張量并進(jìn)行歸一化操作。通過(guò)此操作減小Token序列的長(zhǎng)度(即特征圖的大小)，同時(shí)增加Token的寬度(即特征圖的通道數(shù))。

(2)卷積映射。對(duì)上一步驟得到的Token歸一化后進(jìn)行reshape操作，生成大小為C×H×W的特征圖。然后對(duì)特征圖分別進(jìn)行3個(gè)深度可分離卷積，再通過(guò)平鋪得到query，key和value。

(3)將q、k、v向量通過(guò)線性化處理后輸入改進(jìn)后的多頭注意力機(jī)制模塊IMHA(improved-multi-head attention)。IMHA模塊具體計(jì)算過(guò)程如下：

首先設(shè)置注意力頭為h組，接著將q、k、v向量分別切分為h組。計(jì)算過(guò)程為

(1)

之后對(duì)每組q與k向量進(jìn)行相似度計(jì)算獲權(quán)重，再加入相對(duì)位置信息(attention bias)。接著對(duì)得到的權(quán)重和相應(yīng)的v進(jìn)行加權(quán)求和得到每組注意力權(quán)重。最終將每組注意力權(quán)重連接起來(lái)，得到IMHA模塊的輸出。改進(jìn)后每組頭的自注意力機(jī)制模塊結(jié)構(gòu)如圖4所示。計(jì)算過(guò)程為

圖4 改進(jìn)后自注意力機(jī)制模塊結(jié)構(gòu)

headi=Attention(qi，ki，vi)，i=1，…h(huán)

(2)

(3)

multihead(q，k，v)=concat(head1，…h(huán)eadh)

(4)

其中，s為softmax函數(shù)，ab為平移不變的注意力偏置(attention bias)，concat為拼接函數(shù)。

由IMHA模塊的輸出和(1)得到的Token殘差連接。計(jì)算過(guò)程為

F=d(multihead(q，k，v))+Token

(5)

其中，d為dropout函數(shù)。

(4)將上一步驟得到的F經(jīng)過(guò)歸一化操作后通過(guò)前饋網(wǎng)絡(luò)層FFN(feed forward network)防止網(wǎng)絡(luò)退化，再與F進(jìn)行殘差連接。最后經(jīng)過(guò)reshape操作后使用1×1的卷積得到ICvT模塊的輸出。

2.3 SPP+模塊

原YOLOv4算法在主干提取網(wǎng)絡(luò)后加入了空間金字塔池化模塊。SPP模塊通過(guò)使用大小不同卷積核的最大池化層(Maxpool)，將擁有局部特征信息的特征圖和全局特征信息的特征圖進(jìn)行融合，可以增加模型感受野，進(jìn)而豐富特征圖的表達(dá)能力，提升檢測(cè)精度，結(jié)構(gòu)如圖5所示。

圖5 SPP與SPP+模塊結(jié)構(gòu)

在卷積神經(jīng)網(wǎng)絡(luò)中，最大池化操作對(duì)感受野有很大的影響，其中主要取決于卷積核的大小，卷積核越大模型的感受野越大。因而本文對(duì)SPP模塊進(jìn)行改進(jìn)，將3個(gè)卷積核不同的最大池化操作減少為一個(gè)最大池化操作，使其卷積核大小為最接近輸入特征圖的大小。這樣在可以獲得全局感受野的同時(shí)，也可以減少模型的計(jì)算量。本文將改進(jìn)后的模塊稱(chēng)為SPP+模塊，改進(jìn)后的結(jié)構(gòu)如圖5所示。

對(duì)算法進(jìn)行多尺度檢測(cè)改進(jìn)后，52×52和104×104尺度的檢測(cè)層用于檢測(cè)小目標(biāo)。為了提高小目標(biāo)的檢測(cè)精度，如圖2所示本文在主干網(wǎng)絡(luò)第二、三個(gè)殘差塊后加入SPP+模塊，用來(lái)增加淺層特征圖的感受野。其中52×52和104×104特征層后接的SPP+模塊的最大池化操作的卷積核分別設(shè)置為17與43。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)平臺(tái)與實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)所用的硬件平臺(tái)為：Intel(R)Xeon(R)Gold 5218的CPU，Tesla T4*8的GPU，操作系統(tǒng)為ubuntu 18.04，深度學(xué)習(xí)框架為Pytorch。

實(shí)驗(yàn)使用的數(shù)據(jù)集為KITTI數(shù)據(jù)集中的二維目標(biāo)數(shù)據(jù)集，其中包含在真實(shí)交通環(huán)境下采集的圖像數(shù)據(jù)，如城市地區(qū)、鄉(xiāng)村和高速公路等，圖像中所含遠(yuǎn)距離小目標(biāo)數(shù)量多[16]。KITTI數(shù)據(jù)集單幅圖像所含目標(biāo)數(shù)量多、背景復(fù)雜、分辨率低，適合用來(lái)驗(yàn)證小目標(biāo)的準(zhǔn)確率。本文對(duì)KITTI數(shù)據(jù)集的類(lèi)別進(jìn)行了處理，將汽車(chē)類(lèi)標(biāo)簽合并為car類(lèi)，行人類(lèi)標(biāo)簽合并為pedestrian類(lèi)。

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

為了驗(yàn)證改進(jìn)后算法的性能，本文實(shí)驗(yàn)采用以下5個(gè)評(píng)價(jià)指標(biāo)對(duì)算法進(jìn)行評(píng)估。精度(percision)表示預(yù)測(cè)樣本中預(yù)測(cè)正確樣本數(shù)在總正確樣本數(shù)中所占的比例。召回率(recall)表示預(yù)測(cè)樣本中預(yù)測(cè)正確樣本數(shù)在總預(yù)測(cè)樣本數(shù)中所占的比例。平均精度AP(average precision)表示以R為橫坐標(biāo)，P為縱坐標(biāo)時(shí)，P-R曲線下的面積。多個(gè)類(lèi)別平均精度的平均值mAP(mean average precision)表示數(shù)據(jù)集中所有類(lèi)別平均精度的均值，作為模型精度評(píng)價(jià)指標(biāo)。每秒檢測(cè)幀數(shù)FPS(frame per second)表示每秒內(nèi)檢測(cè)的幀數(shù)，作為模型速度評(píng)價(jià)指標(biāo)。計(jì)算公式如下

(6)

(7)

(8)

(9)

3.3 實(shí)驗(yàn)結(jié)果分析

3.3.1 模型訓(xùn)練

實(shí)驗(yàn)根據(jù)以下參數(shù)設(shè)置進(jìn)行訓(xùn)練，批量大小設(shè)置為16，總共訓(xùn)練300個(gè)epoch。采用Adam優(yōu)化器，初始學(xué)習(xí)率為0.001，使用余弦退火策略調(diào)整學(xué)習(xí)率。訓(xùn)練過(guò)程Loss曲線如圖6所示。

圖6 訓(xùn)練損失曲線

如圖6所示，隨著訓(xùn)練輪數(shù)的增加，損失值不斷降低，迭代到175輪后損失曲線趨于穩(wěn)定，達(dá)到收斂狀態(tài)，原YOLOv4算法與本文改進(jìn)算法損失值穩(wěn)定于0.9和0.8左右。與原算法相比改進(jìn)后模型的損失值有所下降，驗(yàn)證模型的檢測(cè)精度提高，本實(shí)驗(yàn)設(shè)置的超參數(shù)合理。

3.3.2 消融實(shí)驗(yàn)

為了驗(yàn)證本文算法有效性，進(jìn)行了消融實(shí)驗(yàn)，結(jié)果見(jiàn)表2，表中yolo_head、ICvT、SPP+分別表示新增一個(gè)檢測(cè)頭、添加ICvT模塊和SPP+模塊。對(duì)于實(shí)驗(yàn)結(jié)果具體分析如下。

表2 消融實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)2為增加尺度特征圖進(jìn)行檢測(cè)的實(shí)驗(yàn)結(jié)果。新增一個(gè)檢測(cè)頭后的mAP為90.64%，與原YOLOv4相比在進(jìn)行多尺度檢測(cè)改進(jìn)后mAP提高1.2%。在檢測(cè)速度方面，改進(jìn)后的算法比原YOLOv4僅僅降低2.9 FPS。該實(shí)驗(yàn)結(jié)果表明，由三尺度檢測(cè)變?yōu)樗某叨葯z測(cè)能夠提取到更多的淺層特征信息，可以有效提高目標(biāo)的檢測(cè)精度，同時(shí)基本不影響算法的檢測(cè)速度。

實(shí)驗(yàn)3為采用ICvT方法進(jìn)行檢測(cè)的實(shí)驗(yàn)結(jié)果。引入ICvT模塊后的mAP為90.01%，與原YOLOv4相比提高0.57%，檢測(cè)速度降低4.8 FPS。該實(shí)驗(yàn)結(jié)果表明，引入ICvT模塊捕獲局部信息，能夠更有效提升目標(biāo)檢測(cè)精度；對(duì)于檢測(cè)速度，由于加入ICvT模塊增大模型的計(jì)算量，使檢測(cè)速度下降，但仍然可以保證檢測(cè)的實(shí)時(shí)性。

實(shí)驗(yàn)4為添加SPP+模塊進(jìn)行檢測(cè)的實(shí)驗(yàn)結(jié)果。進(jìn)行改進(jìn)后算法的mAP為89.72%，與原YOLOv4相比mAP提升了0.28%，F(xiàn)PS基本保持不變。該實(shí)驗(yàn)結(jié)果表明，增加SPP+模塊能更好提高特征圖的感受野，更有效提高目標(biāo)檢測(cè)精度；同時(shí)改進(jìn)后的模塊計(jì)算量小，仍然可以有較快的檢測(cè)速度。

從實(shí)驗(yàn)2到實(shí)驗(yàn)4表明每項(xiàng)改進(jìn)都能夠提高模型的檢測(cè)精度。實(shí)驗(yàn)5在實(shí)驗(yàn)2的基礎(chǔ)上添加ICvT模塊，實(shí)驗(yàn)6在實(shí)驗(yàn)5的基礎(chǔ)上添加SPP+模塊，兩個(gè)實(shí)驗(yàn)的mAP值分別為91.51%和91.97%。這兩個(gè)實(shí)驗(yàn)結(jié)果表明，與添加模塊前相比識(shí)別精度都有相應(yīng)的提高，同時(shí)能夠滿(mǎn)足實(shí)時(shí)檢測(cè)。

本文目的旨在提升小目標(biāo)的檢測(cè)率，KITTI數(shù)據(jù)集被調(diào)整為兩類(lèi)目標(biāo)，由于pedestrian類(lèi)目標(biāo)具有目標(biāo)相對(duì)較小的特點(diǎn)，本文選用pedestrian類(lèi)作為小目標(biāo)檢測(cè)的代表。結(jié)果見(jiàn)表3，pedestrian類(lèi)的AP由83.4%提升至87.01%，提高3.61%，提升結(jié)果較為顯著，驗(yàn)證了本文算法可以有效的檢測(cè)小目標(biāo)，降低小目標(biāo)的漏檢率。

表3 KITTI數(shù)據(jù)集中小目標(biāo)的AP比較

為了進(jìn)一步驗(yàn)證本文算法對(duì)小目標(biāo)檢測(cè)的有效性，本文使用原YOLOv4算法和本文改進(jìn)算法在KITTI數(shù)據(jù)集上進(jìn)行檢測(cè)對(duì)比。圖7為檢測(cè)結(jié)果對(duì)比圖，每一列從上到下依次為原始圖像、原YOLOv4算法檢測(cè)圖像與本文算法檢測(cè)圖像。結(jié)果如圖7所示，第一列中原YOLOv4檢測(cè)算法將圖像左側(cè)的背景信息誤檢為車(chē)輛，遠(yuǎn)距離小尺度行人和右下角車(chē)輛并未準(zhǔn)確檢測(cè)出來(lái)。而本文改進(jìn)算法不僅能夠準(zhǔn)確檢測(cè)出小尺度目標(biāo)，做到不誤檢不漏檢，同時(shí)使檢測(cè)框更加貼合目標(biāo)對(duì)象，更為準(zhǔn)確檢測(cè)出目標(biāo)對(duì)象。第二列中，原YOLOv4算法漏檢遠(yuǎn)距離小尺度車(chē)輛，而本文改進(jìn)算法檢測(cè)出遠(yuǎn)距離小尺度車(chē)輛，同時(shí)提高檢測(cè)的準(zhǔn)確率。結(jié)果表明本文算法不僅能夠更好檢測(cè)與定位車(chē)輛和行人小目標(biāo)，且對(duì)背景復(fù)雜、遮擋、密集等情況造成的漏檢也能精確檢測(cè)。

圖7 檢測(cè)結(jié)果對(duì)比

3.3.3 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文算法檢測(cè)的有效性，還將與目前主流的目標(biāo)檢測(cè)算法Faster R-CNN、SSD、YOLOv2、YOLOv3等進(jìn)行比較。結(jié)果見(jiàn)表4，未改進(jìn)的目標(biāo)檢測(cè)算法中YOLOv4算法的檢測(cè)精度最高，可達(dá)89.44%，而本文改進(jìn)算法與原YOLOv4算法相比在檢測(cè)精度上又有了進(jìn)一步的提升，由此驗(yàn)證改進(jìn)后的算法有更好的檢測(cè)性能。

表4 不同算法檢測(cè)結(jié)果比較

4 結(jié)束語(yǔ)

針對(duì)道路小目標(biāo)檢測(cè)中存在的問(wèn)題，本文利用Transformer和空間金字塔模型對(duì)YOLOv4算法進(jìn)行改進(jìn)。首先，重新設(shè)計(jì)PANet網(wǎng)絡(luò)結(jié)構(gòu)，將檢測(cè)尺度由原來(lái)的3種尺度預(yù)測(cè)增加至4種尺度，把主干網(wǎng)絡(luò)中的淺層特征信息充分利用起來(lái)，得到更多小尺度目標(biāo)的特征信息。與此同時(shí)使用K-means聚類(lèi)算法，獲得更為合適的Anchor Box。其次，在網(wǎng)絡(luò)結(jié)構(gòu)中引入ICvT模塊，使算法能夠關(guān)注特征內(nèi)部相關(guān)性，利用目標(biāo)周?chē)纳舷挛男畔?，提高模型檢測(cè)能力。最后，改進(jìn)SPP模塊并在主干網(wǎng)絡(luò)第二、三殘差塊后添加SPP+模塊，對(duì)局部和全局感受野進(jìn)行融合，提高特征信息表達(dá)能力。實(shí)驗(yàn)結(jié)果表明，本文算法比原YOLOv4算法的mAP提高2.53%，且對(duì)小目標(biāo)檢測(cè)的準(zhǔn)確率提升顯著。但是，由于ICvT模塊的引入使模型計(jì)算量增加，降低了檢測(cè)速度。在未來(lái)的工作中，將進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，減少信息冗余，提高目標(biāo)檢測(cè)效率。