王國剛，李澤欣，董志豪

(山西大學(xué) 物理電子工程學(xué)院，太原 030006)

0 引言

作為計(jì)算機(jī)視覺領(lǐng)域的重要研究課題，目標(biāo)檢測的目的是解決目標(biāo)分類及定位問題。目前，目標(biāo)檢測已廣泛應(yīng)用于智能視頻監(jiān)控[1-3]、無人駕駛[4-5]、智能化交通[6-7]、人臉識(shí)別[8-9]、遙感影像分析[10-12]和醫(yī)學(xué)圖像檢測[13-15]等領(lǐng)域。

傳統(tǒng)目標(biāo)檢測算法主要分3個(gè)階段來完成目標(biāo)檢測任務(wù)，首先進(jìn)行區(qū)域的選擇，采用不同大小的滑動(dòng)窗口遍歷截取圖像，產(chǎn)生多個(gè)候選框來盡可能檢測所有存在的目標(biāo)；然后進(jìn)行特征的提取，由于傳統(tǒng)目標(biāo)檢測方法的特征大多是人為手動(dòng)設(shè)計(jì)的，因此使用人工設(shè)計(jì)的特征提取器提取特征；最后提取到特征后，利用支持向量機(jī)[16]、可變形部件模型[17]和AdaBoost[18]等分類器來判別目標(biāo)的類別。該類算法通過工程人員的經(jīng)驗(yàn)提取特征，檢測精度低，難以滿足實(shí)際需求，具有一定的局限性。

2014年，Girshick等提出的R-CNN[19]算法，成功將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測領(lǐng)域。相較于傳統(tǒng)算法，基于深度學(xué)習(xí)的目標(biāo)檢測算法在性能上更具優(yōu)勢。這類算法可分為兩種，一種是以SSD[20]，Efficientdet[21]為代表的單階段目標(biāo)檢測算法，這類算法直接在整張圖片上生成若干候選框，再對這些候選框進(jìn)行類別、框大小以及位置的回歸預(yù)測。另一種是以R-CNN，F(xiàn)ast R-CNN[22]，F(xiàn)aster R-CNN[23]為代表的兩階段目標(biāo)檢測算法，這類算法第一階段先得到存在物品的候選區(qū)域，第二階段再對候選區(qū)域中的候選框進(jìn)行類別、框大小以及位置的回歸預(yù)測。

深度學(xué)習(xí)目標(biāo)檢測算法采用大量特征來提升性能。但是，基于某些特征的目標(biāo)檢測器泛化性能差，采用了加權(quán)殘差連接(WRC，weighted-residual-connections)、跨階段部分連接(CSP，cross-stage-partial-connections)等特征的YOLOv4[24]目標(biāo)檢測器的泛化性能得到了一定程度的改善。然而，YOLOv4中的空間金字塔池化(SPP，spatial pyramid pooling)模塊未充分提高特征融合網(wǎng)絡(luò)淺、中、深層特征圖的表征能力；檢測頭網(wǎng)絡(luò)特征圖的每個(gè)通道權(quán)重都相同，難以凸出重要通道上的信息；且使用了更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，增大了模型參數(shù)量，增加了檢測時(shí)間。

針對以上問題，提出一種基于注意力機(jī)制和多空間金字塔池化的實(shí)時(shí)目標(biāo)檢測算法(AMMP，real-time object detection algorithm based on attention mechanism and multi-spatial pyramid pooling)。該算法采用多空間金字塔池化，提取多尺度信息，加強(qiáng)特征融合網(wǎng)絡(luò)的淺、中、深層特征圖的表征能力；引入壓縮激勵(lì)通道注意力機(jī)制，建模通道間的相關(guān)性，自適應(yīng)調(diào)整特征圖各個(gè)通道的權(quán)重，從而使網(wǎng)絡(luò)更加關(guān)注重要特征；特征融合和檢測頭網(wǎng)絡(luò)中使用深度可分離卷積，減少網(wǎng)絡(luò)參數(shù)量，提高算法檢測速度。實(shí)驗(yàn)結(jié)果表明，AMMP算法的均值平均精度(mAP，mean average precision)優(yōu)于7種主流對比算法。與基準(zhǔn)算法相比，該算法在降低復(fù)雜度的同時(shí)，提高了檢測準(zhǔn)確度。

1 相關(guān)網(wǎng)絡(luò)

YOLOv4由Backbone特征提取網(wǎng)絡(luò)、Neck特征融合網(wǎng)絡(luò)和Head檢測頭網(wǎng)絡(luò)三部分組成。Backbone、Neck分別采用CSPDarknet53網(wǎng)絡(luò)和加入了SPP結(jié)構(gòu)的路徑聚合網(wǎng)絡(luò)[25](PANet，path aggregation network)。CSPDarknet53將CSPNet結(jié)構(gòu)應(yīng)用于Darknet53網(wǎng)絡(luò)中，加速了特征提取過程，該網(wǎng)絡(luò)由5個(gè)大殘差塊組成，這5個(gè)大殘差塊包含的小殘差單元個(gè)數(shù)分別為1，2，8，8，4，即兩個(gè)CBM卷積模塊和一個(gè)CSPX卷積模塊共同組成一個(gè)大殘差塊。SPP結(jié)構(gòu)采用3種不同尺寸的池化核對上層特征圖做最大池化處理，擴(kuò)大了網(wǎng)絡(luò)的感受野。PANet由上采樣和下采樣兩部分組成，實(shí)現(xiàn)了主干網(wǎng)絡(luò)深層特征與淺層特征的融合，提高了網(wǎng)絡(luò)的檢測精度。Head檢測頭網(wǎng)絡(luò)有3個(gè)檢測頭，每個(gè)檢測頭包含3組候選框的調(diào)整參數(shù)，每組候選框的調(diào)整參數(shù)包含1個(gè)置信度參數(shù)、4個(gè)調(diào)整長寬和坐標(biāo)偏移量的參數(shù)和20個(gè)待檢測的類別參數(shù)。通過這些參數(shù)，YOLOv4調(diào)整候選框的中心點(diǎn)坐標(biāo)和寬高，生成最終的預(yù)測框。

2 基于注意力機(jī)制和多空間金字塔池化的實(shí)時(shí)目標(biāo)檢測算法

2.1 多空間金字塔池化

為提高目標(biāo)檢測準(zhǔn)確度，AMMP在特征融合網(wǎng)絡(luò)構(gòu)建多空間金字塔池化模塊(MSPP，multi-spatialpyramid pooling module)。MSPP包含深層空間金字塔池化模塊(D-SPP，deep-spatialpyramid pooling module)、中層空間金字塔池化模塊(M-SPP，middle-spatialpyramid pooling module)和淺層空間金字塔池化模塊(S-SPP，shallow-spatialpyramid pooling module)3部分，如圖1所示。MSPP借鑒空間金字塔思想，提取局部特征和全局特征，融合多重感受野，從而擴(kuò)大了主干特征的接收范圍，分離出了重要的上下文信息，提高了模型的檢測精度。

D-SPP、M-SPP和S-SPP采用1×1卷積減少通道數(shù)，再經(jīng)3種不同尺寸的池化核做最大池化處理，提取不同尺度的特征信息，最后，采用concat操作，在通道維度上連結(jié)各個(gè)分支的特征圖，使輸出特征圖通道數(shù)變?yōu)樵瓉淼乃谋?，從而增?qiáng)了特征圖的表征能力，如圖2所示。MSPP三部分采用的最大池化操作的池化核大小為K×K，步長為1，填充padding=(K-1)/2，K∈{5，9，13}。

圖2 D-SPP、M-SPP或S-SPP結(jié)構(gòu)

位于AMMP特征融合網(wǎng)絡(luò)深層特征區(qū)域的D-SPP，提高了深層特征區(qū)域特征圖的表征能力。深層特征區(qū)域特征圖經(jīng)過上采樣、特征融合傳入中層特征區(qū)域。M-SPP位于中層特征區(qū)域，提高了中、深層特征區(qū)域特征圖的表征能力。中層特征區(qū)域特征圖經(jīng)上采樣和特征融合傳入淺層特征區(qū)域。位于淺層特征區(qū)域的S-SPP，提高了淺、中、深層特征區(qū)域特征圖的表征能力。網(wǎng)絡(luò)前向傳播過程中，特征融合網(wǎng)絡(luò)深層區(qū)域特征圖的表征能力得到了3次增強(qiáng)，中層區(qū)域特征圖的表征能力得到了兩次增強(qiáng)，淺層區(qū)域特征圖的表征能力得到了一次增強(qiáng)。最后下采樣過程中，將不同尺寸的特征圖送入AMMP的3個(gè)檢測頭進(jìn)行檢測，有效提升了模型對大中小3種目標(biāo)的檢測能力。

AMMP特征融合網(wǎng)絡(luò)通過使用D-SPP、M-SPP以及S-SPP模塊，融合了不同尺度的特征信息，加強(qiáng)了淺、中、深層特征圖的表征能力，提高了檢測精度。

2.2 壓縮激勵(lì)通道注意力模塊

為使最深卷積層關(guān)注重要通道信息，AMMP在檢測頭網(wǎng)絡(luò)構(gòu)建壓縮激勵(lì)通道注意力模塊(SECAM，squeeze-and-excitationchannel attention module)，如圖3所示。SECAM自適應(yīng)調(diào)整最深卷積層中特征圖的各通道權(quán)重，強(qiáng)化權(quán)值高的通道特征，抑制權(quán)值低的通道特征，使檢測頭網(wǎng)絡(luò)的特征信息表達(dá)更充分，從而提升模型檢測性能。

圖3 AMMP的檢測頭網(wǎng)絡(luò)

AMMP檢測頭網(wǎng)絡(luò)中，特征圖的不同通道表示不同目標(biāo)。SECAM通過建模通道間的相關(guān)性，自適應(yīng)調(diào)整特征圖各個(gè)通道的權(quán)重，從而實(shí)現(xiàn)目標(biāo)的自適應(yīng)選擇，使網(wǎng)絡(luò)更加關(guān)注重要通道特征，如圖4所示。SECAM通過壓縮，激勵(lì)和重校準(zhǔn)3個(gè)操作得到加權(quán)后的特征圖。壓縮是對特征圖U的每個(gè)通道進(jìn)行的全局平均池化操作，如公式(1)所示：

(1)

圖4 壓縮激勵(lì)通道注意力模塊

式中，z表示壓縮通道后得到的特征向量，H和W表示特征圖U的高度和寬度。

激勵(lì)通過激活函數(shù)建模特征通道間的相關(guān)性以生成每個(gè)通道的權(quán)重，如式(2)所示：

s=Fex(z，W)=σ(W2δ(W1z))

(2)

式中，s表示生成的通道注意力權(quán)重，δ和σ分別表示激活函數(shù)ReLU和Sigmoid，W1和W2表示用于降維操作的特征矩陣。

重校準(zhǔn)將每個(gè)通道乘以相應(yīng)的權(quán)重，得到重新標(biāo)定的特征，如式(3)所示：

(3)

AMMP在檢測頭網(wǎng)絡(luò)構(gòu)建壓縮激勵(lì)通道注意力模塊。SECAM調(diào)整最深卷積層各通道之間的權(quán)重，從而降低干擾信息的影響，強(qiáng)化檢測頭網(wǎng)絡(luò)提取特征信息的能力，提升模型的檢測性能。

2.3 深度可分離卷積

若標(biāo)準(zhǔn)卷積輸入特征圖F、卷積核K的尺寸分別為DF×DF×M和DK×DK×M×N，得到DF×DF×N的輸出特征圖G，則G可由公式(4)計(jì)算得到：

(4)

由式(4)可知，標(biāo)準(zhǔn)卷積的計(jì)算成本為：

P1=DK×DK×M×N×DF×DF

(5)

其中：DK表示卷積核大小，DF表示輸入特征圖的高度或?qū)挾?，M和N分別表示輸入、輸出通道數(shù)，P1表示標(biāo)準(zhǔn)卷積的計(jì)算量。

由公式(4)和(5)可知，標(biāo)準(zhǔn)卷積是將卷積核作用在輸入特征圖的所有通道上，這增大了模型參數(shù)量，增加了目標(biāo)檢測時(shí)間。為克服這一缺陷，AMMP在圖5所示的特征融合和檢測頭網(wǎng)絡(luò)中使用深度可分離卷積(DSC，depthwise separable convolution)，以減少參數(shù)量，提高目標(biāo)檢測速度。

圖5 AMMP的特征融合和檢測頭網(wǎng)絡(luò)

深度可分離卷積將標(biāo)準(zhǔn)卷積分解為逐深度卷積和逐點(diǎn)卷積兩個(gè)操作，從而以較小的精度代價(jià)減少了網(wǎng)絡(luò)計(jì)算量。逐深度卷積將不同的卷積核作用在不同的輸入通道上，以學(xué)習(xí)空間特征；逐點(diǎn)卷積將1×1的卷積核作用在逐深度卷積操作得到的通道上，以學(xué)習(xí)通道特征。

(6)

由式(6)可知，逐深度卷積的計(jì)算成本為：

P2=DK×DK×M×DF×DF

(7)

逐深度卷積未對過濾后的信息進(jìn)行組合。為解決這一問題，深度可分離卷積在逐深度卷積后采用了逐點(diǎn)卷積。若逐點(diǎn)卷積核尺寸為1×1×M×N，則其計(jì)算量可由公式(8)得到：

P3=M×N×DF×DF

(8)

深度可分離卷積由逐深度卷積和逐點(diǎn)卷積構(gòu)成，故其計(jì)算量為：

P4=P2+P3=DK×DK×M×DF×DF+M×N×DF×DF

(9)

由公式(5)和(9)可得深度可分離卷積與標(biāo)準(zhǔn)卷積計(jì)算量之比，如公式(10)所示：

(10)

與基準(zhǔn)模型相比，采用了深度可分離卷積的AMMP模型，減少了參數(shù)量和模型大小，且在保持較高檢測精度的前提下，提高了檢測效率。

2.4 AMMP網(wǎng)絡(luò)模型

AMMP網(wǎng)絡(luò)模型如圖6所示。AMMP在特征融合網(wǎng)絡(luò)構(gòu)建多空間金字塔池化模塊，提取多尺度特征信息，提高Neck網(wǎng)絡(luò)淺、中、深層特征圖的表征能力；在檢測頭網(wǎng)絡(luò)構(gòu)建壓縮激勵(lì)通道注意力模塊，自適應(yīng)調(diào)整特征圖各個(gè)通道的權(quán)重，強(qiáng)化高權(quán)值通道特征的學(xué)習(xí)，提升模型魯棒性；特征融合以及檢測頭網(wǎng)絡(luò)中使用深度可分離卷積，在保持較高檢測精度的前提下，提高模型檢測速度。

圖6 AMMP網(wǎng)絡(luò)模型示意圖

3 實(shí)驗(yàn)結(jié)果及分析

3.1 數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)采用PASCAL VOC2007數(shù)據(jù)集。該數(shù)據(jù)集包含20個(gè)類別，5 011張訓(xùn)練圖片，4 952張測試圖片。

訓(xùn)練采用的工作站配置為：Intel(R)Xeon(R)CPU，Tesla T4 GPU，167 G內(nèi)存；測試采用的PC機(jī)配置為：Intel○RCoreTMi5-8265U CPU，NVIDIA GeForce MX250 GPU，8 G內(nèi)存。深度學(xué)習(xí)框架為pytorch1.2，GPU加速庫版本為CUDA10.0，Cudnn7.4.1.5。

訓(xùn)練階段，采用Adam優(yōu)化器更新網(wǎng)絡(luò)參數(shù)，動(dòng)量、權(quán)重衰減系數(shù)分別設(shè)置為0.9和0.000 5。訓(xùn)練分兩個(gè)階段，第一階段凍結(jié)主干網(wǎng)絡(luò)，調(diào)整非主干網(wǎng)絡(luò)參數(shù)；第二階段釋放主干網(wǎng)絡(luò)，調(diào)整整個(gè)網(wǎng)絡(luò)參數(shù)。第一階段學(xué)習(xí)率設(shè)置為0.001，Batch size設(shè)置為16，epoch設(shè)置為20；第二階段學(xué)習(xí)率設(shè)置為0.000 1，Batch size設(shè)置為8，epoch設(shè)置為100。

3.2 評價(jià)指標(biāo)

實(shí)驗(yàn)采用F1、查準(zhǔn)率(P，precision)、查全率(R，recall)、平均精度(AP，average precision)和均值平均精度mAP來評估算法性能；且采用參數(shù)量、模型大小和每秒傳輸幀數(shù)(FPS，frames per second)來評價(jià)算法復(fù)雜度。此外，通過繪制查準(zhǔn)率-查全率(P-R，precision-recall)曲線和F1曲線，直觀地比較不同算法的檢測性能。

3.3 定量分析

表1給出了8種算法在PASCAL VOC2007數(shù)據(jù)集上的AP和mAP值。由表1可知，AMMP算法的5個(gè)類別的AP值為最優(yōu)，6個(gè)類別的AP值為次優(yōu)，8個(gè)類別的AP值排名第三。且與SSD、YOLOv3、YOLOv4-tiny、YOLOv4、YOLOv5m、Centernet、Efficientdet-D0算法相比，AMMP算法的mAP分別提升了8.99%、3.83%、8.36%、0.16%、1.92%、7.51%、1.97%。

表1 8種算法的AP以及mAP

置信度閾值變化，查準(zhǔn)率和查全率也隨之變化。實(shí)驗(yàn)設(shè)置不同的置信度閾值，繪制P-R曲線和F1曲線，以直觀比較不同算法的檢測性能。通過分析PASCAL VOC2007的測試集可知，car是最難檢測的類別之一。通過分析PASCAL VOC2007的訓(xùn)練集可知，boat是最能體現(xiàn)樣本不均衡問題的類別之一。故實(shí)驗(yàn)選用car和boat為代表，繪制八種算法在這兩種類別上的P-R曲線和F1曲線，如圖7～10所示。

圖7 car類別的P-R曲線比較

圖8 car類別的F1曲線比較

P-R曲線與橫軸所圍面積越大，算法性能越好。由圖7可知，AMMP算法car類別的P-R曲線和橫軸間的面積最大，故八種算法中，AMMP算法對代表類別car的檢測性能最好。

正負(fù)樣本不均衡時(shí)，P-R曲線越平穩(wěn)且和橫軸間的面積越大，算法性能越好。由圖9可知，AMMP算法boat類別的P-R曲線最平穩(wěn)且和橫軸間的面積最大，故樣本不均衡情況下，AMMP算法對代表類別boat的檢測性能優(yōu)于其他算法。

圖9 boat類別的P-R曲線比較

F1曲線越平穩(wěn)且越接近于1，算法的檢測效果越好。由圖8、圖10可知，不管是car類別還是boat類別，AMMP算法的F1曲線最平穩(wěn)且最接近于1，所以AMMP算法對這兩種代表類別的檢測效果最好。

圖10 boat類別的F1曲線比較

表2給出了8種算法在7項(xiàng)評價(jià)指標(biāo)上的實(shí)驗(yàn)結(jié)果。由表2可知，8種算法中，雖然AMMP算法的查準(zhǔn)率比Efficientdet-D0、YOLOv4、Centernet算法略低，但AMMP算法的均值平均精度，查全率和F1得分均為最優(yōu)。由表2還可看出，相比基準(zhǔn)模型YOLOv4，AMMP的參數(shù)量、模型大小分別減少27.85 M和106.25 MB；且?guī)蔬_(dá)到了33.70幀/秒，滿足實(shí)時(shí)性要求。

表2 8種算法的客觀評價(jià)指標(biāo)對比

3.4 定性分析

為直觀比較AMMP與其他7種主流目標(biāo)檢測算法的性能，實(shí)驗(yàn)選取PASCAL VOC2007測試集中5張待檢測圖片以進(jìn)行定性分析。圖11～15為8種算法的檢測結(jié)果對比圖。

圖11 待檢圖片1的檢測結(jié)果比較

編號(hào)001366的待檢圖片1，包含2個(gè)dog目標(biāo)和4個(gè)person目標(biāo)。該圖片中的場景，背景復(fù)雜，存在遮擋現(xiàn)象。檢測結(jié)果如圖11所示，由圖可知，SSD、YOLOv4-tiny、YOLOv5m和Centernet算法均漏檢了dog目標(biāo)；SSD、Centernet和Efficientdet-D0算法漏檢了person目標(biāo)；YOLOv3、YOLOv4和AMMP算法雖無漏檢問題，但AMMP算法的檢測精度更高。

編號(hào)003025的待檢圖片2，包含4個(gè)sheep目標(biāo)和1個(gè)person目標(biāo)。該圖片場景存在目標(biāo)重疊，遮擋現(xiàn)象。檢測結(jié)果如圖12所示，由圖可知，SSD、YOLOv4、YOLOv5m和Centernet算法均漏檢了sheep目標(biāo)；YOLOv4-tiny算法對sheep目標(biāo)存在重復(fù)檢測問題；YOLOv3算法sheep目標(biāo)的定位出現(xiàn)嚴(yán)重偏差；Efficientdet-D0算法對所有目標(biāo)的定位精度均低于AMMP算法；AMMP算法無漏檢、重復(fù)檢測及定位精度不高的問題，故性能最好。

圖12 待檢圖片2的檢測結(jié)果比較

編號(hào)003858的待檢圖片3，包含6個(gè)person目標(biāo)和1個(gè)train目標(biāo)。該圖片場景存在遮擋現(xiàn)象，背景陰暗。檢測結(jié)果如圖13所示，由圖可知，SSD、Centernet和Efficientdet-D0算法均漏檢了person目標(biāo)；SSD、YOLOv4-tiny、YOLOv4、YOLOv5m和Centernet算法漏檢了train目標(biāo)；YOLOv3算法將train目標(biāo)錯(cuò)檢成boat目標(biāo)；AMMP算法無漏檢、錯(cuò)檢問題，檢測效果最好。

圖13 待檢圖片3的檢測結(jié)果比較

編號(hào)006121的待檢圖片4包含3個(gè)car目標(biāo)。該圖片場景中，目標(biāo)尺度變化大，背景復(fù)雜，有遮擋現(xiàn)象。檢測結(jié)果如圖14所示，由圖可知，SSD、YOLOv3和YOLOv4-tiny算法均漏檢了car目標(biāo)；YOLOv4、YOLOv5m、Centernet和Efficientdet-D0算法雖無漏檢問題，但其檢測精度均低于AMMP算法。

圖14 待檢圖片4的檢測結(jié)果比較

編號(hào)006771的待檢圖片5，包含1個(gè)tv目標(biāo)，1個(gè)diningtable目標(biāo)以及6個(gè)person目標(biāo)。該圖片場景中，光照不足，背景陰暗。檢測結(jié)果如圖15所示，由圖可知，YOLOv5m漏檢了diningtable目標(biāo)；Centernet和Efficientdet-D0算法漏檢了person目標(biāo)；SSD、YOLOv3、YOLOv5m、Centernet和Efficientdet-D0算法漏檢了tv目標(biāo)；YOLOv4算法把背景錯(cuò)檢成tv目標(biāo)。YOLOv4-tiny和AMMP算法雖無漏檢、錯(cuò)檢問題，但AMMP算法檢測精度更高。

圖15 待檢圖片5的檢測結(jié)果比較

3.5 消融實(shí)驗(yàn)

為驗(yàn)證深度可分離卷積(DSC)、多空間金字塔池化(MSPP)以及壓縮激勵(lì)通道注意力(SECAM)方法對YOLOv4的優(yōu)化作用，進(jìn)行了消融實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。

表3 消融實(shí)驗(yàn)

由表中第1、2行可知，引入DSC后，mAP下降0.56%，模型大小、參數(shù)量分別下降107.8 MB和28.26 M。這表明DSC方法僅以微小的精度代價(jià)，換取了模型大小和參數(shù)量近一半的減少。由表中第2、3行可知，引入MSPP后，mAP提升了0.38%。這是因?yàn)镸SPP方法可提取多尺度特征信息，增強(qiáng)感受野，提高特征圖的表征能力。由表中第3、4行可知，引入SECAM后，mAP提升了0.34%。這是因?yàn)镾ECAM可建模通道間的相關(guān)性，自適應(yīng)調(diào)整特征圖各通道權(quán)重，引導(dǎo)網(wǎng)絡(luò)更多地關(guān)注重要特征。

由表中第1、4行可知，融合DSC、MSPP以及SECAM后，mAP提升0.16%，模型大小、參數(shù)量分別下降106.25 MB和27.85 M。這表明，與基準(zhǔn)算法相比，AMMP算法綜合考慮了檢測精度和速度，在降低復(fù)雜度的同時(shí)，提高了檢測準(zhǔn)確度。

4 結(jié)束語

本文提出一種基于注意力機(jī)制和多空間金字塔池化的實(shí)時(shí)目標(biāo)檢測算法。該算法采用多空間金字塔池化模塊，提取多尺度信息，融合多重感受野，加強(qiáng)特征融合網(wǎng)絡(luò)的淺、中、深層特征圖的表征能力。引入壓縮激勵(lì)通道注意力機(jī)制，建模通道間的相關(guān)性，調(diào)整特征圖各個(gè)通道的權(quán)重，使網(wǎng)絡(luò)更加關(guān)注重要特征，提升模型魯棒性。特征融合和檢測頭網(wǎng)絡(luò)中使用深度可分離卷積，減少網(wǎng)絡(luò)參數(shù)量，提高模型檢測效率。實(shí)驗(yàn)結(jié)果表明，所提算法的均值平均精度均優(yōu)于其他7種主流對比算法；與基準(zhǔn)算法相比，該算法在降低復(fù)雜度的同時(shí)，提高了檢測準(zhǔn)確度。且算法的檢測速率達(dá)到33.70幀/秒，滿足實(shí)時(shí)性要求。之后，本研究將考慮進(jìn)一步提升算法的準(zhǔn)確性，嘗試加入不同的特征融合網(wǎng)絡(luò)結(jié)構(gòu)以及更優(yōu)的損失函數(shù)，在保證算法檢測速度不降低的前提下，進(jìn)一步提高檢測精度，并且在工程中實(shí)現(xiàn)運(yùn)用。