摘要
随着科学技术的发展，计算机的运算能力得到极大的提高，促进了深度学习的快速发展。因此近年来在机器视觉的目标检测领域，也取得了突破性的进展。随着目标检测技术的日益成熟，目标检测也开始应用到如：医疗、安防、自动驾驶等各个领域中。虽然目标检测在大尺寸目标和中尺寸目标的检测精度已经非常高，但对于小目标的检测精度依然非常低。究其原因是小目标的特征不明显，现有的神经网络难以提取到有效的特征进行检测。因此改善神经网络对小目标的特征提取能力，提高算法对小目标检测的精确度，是一项具有挑战性的研究。 本文基于无人驾驶汽车的应用场景，针对现有阶段小目标检测存在的不足进行研究，本文的工作及创新点如下： 为了满足无人驾驶场景的实时检测需求，本文对现有的单阶段目标检测方法进行研究，提出了一种基于YOLOv4的改进模型Bi-YOLO。改进YOLOv4中Neck部分的结构，利用BiFPN对特征提取网络中的特征进行融合，使生成的特征图具有丰富的细节特征和语义特征，进而提高小目标检测的精确度；并利用Bi-YOLO模型和现有的单阶段目标检测算法模型进行对比实验，验证改进算法在小目标检测上精度的提高程度。 针对移动设备的运算能力和内存空间有限，为了提高小目标检测算法部署到移动设备上的方案可行性。本文提出了基于YOLOv4-Tiny的Ghost-YOLOv4-Tiny轻量级小目标检测模型。其改进是利用Ghost模块计算量小的特点对CSPDarkNet主干网络进行升级，替换CSP模块结构。同时为了降低计算量减少造成检测精度的损失，参考特征金字塔的结构对特征进行融合。通过对比实验发现，该方法在保证模型检测速度和精度不变情况下，降低了算法的计算量和模型的文件大小。 为验证本文改进的轻量级网络的有效性，将轻量级网络模型部署到低速校园巡航无人车上，通过实测验证了轻量级网络在实际中检测效果。
NETL