摘要
本文针对如何提高计算机视觉与人工智能技术中目标检测算法在小目标检测领域的检测性能并实现算法显著轻量化进行了研究，基于深度学习与神经网络理论，以YOLO系列目标检测算法为基础，提出了一系列包括复杂远距离密集人脸检测、海面小物体搜索检测、通用生活场景检测、无人机空对地小目标检测等场景在内的复杂与未知环境下的小目标检测与算法轻量化提升及改进策略。通过实验对比，结合本文改进策略所形成的新算法，在各种小目标检测场景下都有优于传统算法的检测性能及轻量化效果。本文的具体研究内容如下： 针对现有的目标检测算法多专注于对全尺寸目标的检测，而较少考虑对特殊场景下的小目标进行检测优化及在算法部署时存在的模型过大、部署难度大的问题，本文综合分析了主流目标检测算法的模型构成、检测原理，以YOLOv5为基础算法，提出了多项提升算法精度、降低算法计算资源消耗的原创策略。如通过合理裁剪模型特征提取网络部分的最终特征图输出，显著降低模型需要的计算资源并实现模型显著轻量化；提出一种基于PANet与BiFPN的小目标检测改进特征融合方式(PB-FPN)，有效提高模型的小目标检测能力；通过将特征提取网络中的空间金字塔池化层(SPPF)引入特征融合网络并与模型预测头衔接，有效提升模型的综合检测性能。 同时，本文以研究轻量化小目标检测算法为基础，以目标检测算法结合无人机空对地检测场景为应用，针对常见的目标检测算法在无人机空对地检测场景下所存在的算法模型过大、部署难度高、小尺度目标检测困难等问题，对经典的YOLOv5算法进行了一系列的改进。提出一种新型的双支路CSPNet（DR-CSPNet）结构，有效降低了算法模型的复杂度和计算量；提出一种新型的特征融合路径（ FS-FPN ） ，有效提升了模型的综合检测精度；通过融合新型的注意力机制（ACmix），有效提升算法在无人机空对地检测场景下的性能。 我们将整合本文提出的改进理论与策略的原创算法命名为 SF-YOLOv5、UAV-YOLOv5，并通过详细的实验论证了改进算法优越性、有效性和泛用性。
NETL