面向無依托供電場景的小目標(biāo)檢測輕量級(jí)模型

冀金金，荊有波

(1.鄭州大學(xué) 河南先進(jìn)技術(shù)研究院，河南 鄭州 450002；2.中國科學(xué)院微電子研究所 通信與信息工程研發(fā)中心，北京 100029)

0 引 言

隨著人類生活方式智能化、生產(chǎn)方式精細(xì)化的推進(jìn)，基于深度學(xué)習(xí)方法[1]的小目標(biāo)檢測模型在無人駕駛、國防安全、工業(yè)自動(dòng)化等領(lǐng)域有著越來越重要的研究意義和應(yīng)用價(jià)值。文獻(xiàn)[2]中提到目標(biāo)尺寸小于原圖尺寸的10%定義為相對(duì)小目標(biāo)，其分辨率低，包含信息少，且易受環(huán)境干擾，對(duì)該類目標(biāo)的檢測一直是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)和難點(diǎn)。目前，已有的目標(biāo)檢測算法分為檢測精度較高的二階段(Two-stage)目標(biāo)檢測方法和檢測速度較快的一階段(One-stage)目標(biāo)檢測方法兩大類別。二階段檢測方法網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，不易在算力有限的嵌入式設(shè)備部署。一階段算法受戶外天氣、能見度、距離、障礙物遮擋等因素影響較大，檢測結(jié)果易出現(xiàn)抖動(dòng)，且小目標(biāo)漏檢嚴(yán)重。此外，現(xiàn)有模型不夠緊湊、壓縮，較大算力帶來較多功耗，需要依托常規(guī)電網(wǎng)供電，限制了目標(biāo)檢測任務(wù)的靈活性。針對(duì)以上問題，本文對(duì)模型的精度與算力進(jìn)行均衡，提出適用于戶外因素復(fù)雜多變無依托供電場景的小目標(biāo)檢測輕量級(jí)模型。

1 研究現(xiàn)狀及本文工作

隨著目標(biāo)檢測算法的深入研究以及應(yīng)用場景的多元化，許多學(xué)者開始圍繞典型算法如Faster-RCNN[3]、SSD[4-6](single shot multi-box detector)、YOLO[7-9](you only look once)等進(jìn)行改進(jìn)。Ren等[10]結(jié)合精簡后的FPN(feature pyramid network)和改進(jìn)的SSD模型平衡小目標(biāo)檢測速度和精度。Hu等[11]在YOLOv3中引入顯著性映射，得到更大IoU(intersection over union)值。Wang等[12]對(duì)YOLOv4網(wǎng)絡(luò)進(jìn)行刪改，引入擴(kuò)展卷積層。這些算法各有優(yōu)點(diǎn)，但網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，較大計(jì)算開銷會(huì)帶來過多功耗，不適用于無依托供電場景。因此，本文基于YOLOv4-tiny，提出一種面向無依托供電場景的小目標(biāo)檢測模型。主要工作如下：

(1)引入平滑的Mish激活函數(shù)，使更多細(xì)節(jié)信息深入神經(jīng)網(wǎng)絡(luò)，補(bǔ)償LeakyReLU函數(shù)由于梯度跳躍造成的信息丟失；

(2)設(shè)計(jì)一種淺層特征加固的特征融合網(wǎng)絡(luò)SCFPN。選擇從主干特征提取網(wǎng)絡(luò)獲取的3個(gè)有效特征層參與特征融合，使淺層細(xì)節(jié)信息與高層語義信息融合的更加充分，加固淺層信息的基礎(chǔ)上再進(jìn)行FPN特征融合，不易丟失淺層細(xì)節(jié)信息，有利于小目標(biāo)的檢測；

(3)反復(fù)嵌入通道注意力機(jī)制，多次自適應(yīng)的對(duì)各通道特征進(jìn)行權(quán)重分配，有利于提升網(wǎng)絡(luò)對(duì)關(guān)鍵信息的感知力。

本文通過對(duì)以上各項(xiàng)策略進(jìn)行仿真并對(duì)仿真結(jié)果進(jìn)行分析，提出一種改進(jìn)YOLOv4-tiny的輕量級(jí)算法。最終對(duì)提出的新算法的性能進(jìn)行測試并在嵌入式設(shè)備上進(jìn)行可行性驗(yàn)證，給出驗(yàn)證數(shù)據(jù)和結(jié)論。

2 YOLOv4-tiny算法簡介

YOLOv4-tiny網(wǎng)絡(luò)由3部分組成：進(jìn)行特征提取的骨干網(wǎng)(Backbone)、進(jìn)行多尺度特征融合的頸部(Neck)以及進(jìn)行分類回歸的檢測頭(YOLO Head)。YOLOv4-tiny網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv4-tiny網(wǎng)絡(luò)結(jié)構(gòu)

(1)Backbone部分

YOLOv4-tiny的主干特征提取網(wǎng)絡(luò)CSPdarknet53_tiny由CBL卷積模塊、CSP殘差模塊和池化層組成。CBL模塊使用卷積層conv提取特征，通過BN層縮放平移，激活函數(shù)則使用更快速的LeakyReLU[13]。CSP模塊先將基礎(chǔ)層拆分成兩部分，一部分通過卷積得到更豐富的語義特征，另一部分作為殘差邊，最終將二者跨階段通道合并[14]。CSP后的池化層，既能擴(kuò)大感知野，又能對(duì)特征進(jìn)行降維壓縮防止過擬合。

(2)Neck部分

圖片通過主干網(wǎng)后，獲得shape分別為13*13*512、26*26*256的兩個(gè)有效特征層，二者作為輸入，傳入FPN結(jié)構(gòu)[15]。FPN由兩部分構(gòu)成，一部分將13*13*512的有效特征層經(jīng)過CBL卷積塊直接得到FPN的第一個(gè)輸出out1。第二部分將out1經(jīng)過卷積和上采樣處理后與26*26*256的有效特征層進(jìn)行通道維度堆疊，獲得FPN的第二個(gè)輸出out2。

(3)YOLO Head部分

YOLOv4-tiny僅保留了32倍降采樣和16倍降采樣的兩個(gè)檢測分支，即當(dāng)輸入尺寸為416*416*3時(shí)，僅在13*13和26*26的特征層上完成檢測。26*26的檢測層感受野小，進(jìn)行小目標(biāo)檢測，13*13的檢測層感受野大，進(jìn)行大目標(biāo)檢測。每個(gè)檢測分支輸出的張量大小為

N*N*(3*(1+4+n))

(1)

N*N表示檢測分支的尺寸，n表示檢測的類別數(shù)，1和4分別代表1個(gè)置信度得分和4個(gè)邊界框參數(shù)。

表1 本文實(shí)驗(yàn)環(huán)境

3 改進(jìn)的YOLOv4-tiny算法

作為近期被提出的新型輕量級(jí)網(wǎng)絡(luò)，YOLOv4-tiny雖然在速度和精度方面均有很大提升，但其在特定場景中的應(yīng)用仍有缺陷。本文應(yīng)用場景的特殊性表現(xiàn)在：①無依托供電要求功耗低，戶外天氣、能見度、光線、角度、障礙物遮擋等因素復(fù)雜多變；②對(duì)遠(yuǎn)距離的小目標(biāo)檢測效果要求高。YOLOv4-tiny算法在本文場景的實(shí)際應(yīng)用中存在兩點(diǎn)不足：第一，其檢測效果受天氣、能見度、光線等因素的影響較大，模型魯棒性不強(qiáng)；第二，遠(yuǎn)距離的小目標(biāo)體積小、分辨率低，該類目標(biāo)的特征信息易在YOLOv4-tiny結(jié)構(gòu)中淹沒，出現(xiàn)漏檢。經(jīng)過分析，原因總結(jié)為以下兩點(diǎn)：①YOLOv4-tiny使用較快速的LeakyReLU函數(shù)，會(huì)產(chǎn)生梯度跳躍，訓(xùn)練過程中對(duì)細(xì)節(jié)特征的學(xué)習(xí)能力不足；②特征增強(qiáng)網(wǎng)絡(luò)僅使用兩個(gè)感受野較大的特征層參與特征融合，易丟失邊緣細(xì)節(jié)信息。本文結(jié)合實(shí)際應(yīng)用場景和YOLOv4-tiny模型本身的缺陷，通過在主干網(wǎng)之后引入Mish函數(shù)、設(shè)計(jì)基于FPN改進(jìn)的淺層特征加固融合網(wǎng)絡(luò)SCFPN、嵌入通道注意力機(jī)制3種策略對(duì)YOLOv4-tiny進(jìn)行改進(jìn)，改進(jìn)后的整體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。如下進(jìn)行改進(jìn)策略的具體介紹。

圖2 改進(jìn)后的整體網(wǎng)絡(luò)結(jié)構(gòu)

3.1 算法的激活函數(shù)

神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本單元，它可以對(duì)輸入進(jìn)行不同的操作，可以激活變大或者激活變小。假設(shè)一個(gè)神經(jīng)元接收Q個(gè)輸入x1，x2，…，xQ， 令x=[x1；x2；…；xQ] 表示輸入向量，ω=[ω1；ω2；…；ωQ] 表示權(quán)重向量，b表示偏置，凈輸入y∈R表示神經(jīng)元接收到的輸入信號(hào)的加權(quán)和，則

(2)

(3)

凈輸入通過非線性函數(shù)f(·)，就可得到神經(jīng)元的活性值α，即

α=f(y)

(4)

非線性函數(shù)f(·)被稱為激活函數(shù)，由此可看，它可以將原本的線性關(guān)系轉(zhuǎn)換為非線性，使得神經(jīng)網(wǎng)絡(luò)可以逼近任何函數(shù)。一層神經(jīng)網(wǎng)絡(luò)用作分類器正是由于激活函數(shù)的作用，正樣本就讓激活函數(shù)激活變大，負(fù)樣本就讓激活函數(shù)激活變小。因此，激活函數(shù)的選擇會(huì)影響整個(gè)網(wǎng)絡(luò)的表達(dá)效果。

相比sigmoid函數(shù)的兩端飽和，Relu函數(shù)為左飽和函數(shù)，在x>0時(shí)導(dǎo)數(shù)固定為1，緩解了神經(jīng)網(wǎng)絡(luò)中梯度消失的問題，且允許網(wǎng)絡(luò)快速收斂。但Relu激活功能存在 “死區(qū)”。當(dāng)學(xué)習(xí)率較大時(shí)，某些情況下會(huì)引起一半神經(jīng)元死亡。LeakyReLU函數(shù)很好解決了這個(gè)問題，通過引入超參數(shù)β，保證函數(shù)永不死亡，且使用LeakyReLU函數(shù)的神經(jīng)元只需進(jìn)行加、乘和比較的操作，計(jì)算高效[16]。其數(shù)學(xué)表達(dá)式為

(5)

YOLOv4-tiny網(wǎng)絡(luò)計(jì)算高效的重要原因之一就是激活函數(shù)選用LeakyReLU函數(shù)，但是LeakyReLU函數(shù)不夠平滑，梯度跳躍會(huì)導(dǎo)致信息丟失，為了緩解這一問題，本文引入Mish函數(shù)，其數(shù)學(xué)表達(dá)式為

Mish(x)=x*tanh(ln(1+ex))

(6)

LeakyReLU函數(shù)和Mish函數(shù)平滑度的對(duì)比如圖3所示。

圖3 LeakyReLU函數(shù)與Mish函數(shù)曲線

顯然，Mish函數(shù)更平滑，平滑的激活函數(shù)允許更多細(xì)節(jié)信息深入神經(jīng)網(wǎng)絡(luò)，能夠得到更優(yōu)的準(zhǔn)確性和泛化效果。但Mish函數(shù)的計(jì)算要比LeakyReLU函數(shù)復(fù)雜，考慮到計(jì)算開銷與準(zhǔn)確度的均衡，本文提出的YOLOv4-tiny改進(jìn)模型將YOLOv4-tiny頸部和檢測頭的激活函數(shù)換成Mish函數(shù)，主干特征提取網(wǎng)絡(luò)仍然使用LeakyReLU函數(shù)。

3.2 基于FPN改進(jìn)的淺層特征加固融合網(wǎng)絡(luò)SCFPN

特征融合方式直接影響整個(gè)模型的檢測效果，Lin Tsung-Yi提出的FPN[17]結(jié)構(gòu)將圖像金字塔中的特征從深到淺融合，該方法在參與融合的特征層較多時(shí)能很好提升目標(biāo)檢測率，但YOLOv4-tiny只有兩個(gè)高層參與融合，F(xiàn)PN結(jié)構(gòu)單一的自上而下的信息流動(dòng)方向在參與融合的特征層較少時(shí)，會(huì)引起信息丟失。Li Zuoxin等提出的FSSD[18](feature fusion SSD)結(jié)構(gòu)先對(duì)前三層特征層進(jìn)行融合，融合后的特征層重新生成特征金字塔進(jìn)行預(yù)測，可以有效提升小目標(biāo)檢測效率，但會(huì)產(chǎn)生過多計(jì)算開銷，不能很好滿足本文高精度、低算力的需求。于是，本文提出淺層特征加固的特征融合方式SCFPN，SCFPN網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 淺層特征加固的特征融合網(wǎng)絡(luò)SCFPN

feat1代表YOLOv4-tiny主干特征提取網(wǎng)絡(luò)中第二個(gè)CSP模塊中的feat輸出，其shape為52*52*128，feat2代表主干特征提取網(wǎng)絡(luò)中第三個(gè)CSP模塊中的feat輸出，其shape為26*26*256，feat3如圖1中標(biāo)注所示，為主干特征提取網(wǎng)絡(luò)的輸出，其shape為13*13*512。原始YOLOv4-tiny只使用feat2和feat3作為FPN結(jié)構(gòu)的輸入，會(huì)丟失細(xì)節(jié)信息[19]，本文使用52*52*128的有效特征層進(jìn)行淺層信息的加固，淺層信息的反復(fù)利用，有利于目標(biāo)檢測精度的提高。

本文采用的特征增強(qiáng)網(wǎng)絡(luò)SCFPN由兩部分構(gòu)成，一部分是將13*13*512的有效特征層經(jīng)過CBL卷積塊直接得到網(wǎng)絡(luò)的第一個(gè)輸出out1。第二部分包含兩條路徑，feat1經(jīng)過卷積塊和下采樣簡單處理后自下而上與語義信息更強(qiáng)的feat2進(jìn)行通道維度拼接，再通過1*1卷積進(jìn)行降維，輸出記為P1，將out1經(jīng)過卷積和上采樣的處理后自上而下與細(xì)節(jié)信息更強(qiáng)的P1進(jìn)行同尺寸feature map的通道拼接，獲得網(wǎng)絡(luò)的第二個(gè)輸出out2。YOLO Head由一個(gè)卷積核大小為3*3的CBM模塊(CBM模塊結(jié)構(gòu)如圖4所示)和一個(gè)1*1卷積相連而成，用于先驗(yàn)框參數(shù)調(diào)整。最終檢測的目標(biāo)框回歸公式如下

(7)

其中，tx、ty為網(wǎng)絡(luò)預(yù)測結(jié)果，δ(tx)、δ(ty) 是其經(jīng)過sigmoid函數(shù)的輸出，cx、cy代表網(wǎng)格偏移量，stridei代表下采樣倍數(shù)，Pbw、Pbh代表預(yù)設(shè)anchor尺寸的寬和高。

SCFPN融合網(wǎng)絡(luò)先讓52*52*128有效特征層參與淺層特征的加固，然后進(jìn)行淺層與深層的融合，這樣使細(xì)節(jié)信息更豐富的淺層特征與語義信息更豐富的深層特征融合更加充分的同時(shí)，增強(qiáng)了網(wǎng)絡(luò)整體的感受野，有利于提升模型檢測的準(zhǔn)確度與穩(wěn)定性。SCFPN網(wǎng)絡(luò)包括自上而下和自下而上兩種信息流向，淺層信息自下而上流動(dòng)，加固細(xì)節(jié)特征基礎(chǔ)上再對(duì)兩個(gè)高層進(jìn)行FPN自上而下特征融合，有利于小目標(biāo)的檢測。

3.3 嵌入通道注意力機(jī)制

近幾年，注意力機(jī)制成為深度學(xué)習(xí)最受關(guān)注的核心技術(shù)之一，它的主要作用是從大量信息中提取出對(duì)當(dāng)前任務(wù)目標(biāo)較關(guān)鍵的信息。其中，倍受關(guān)注的SENet[20](squeeze-and-excitation networks)是獲取通道維度的注意力，它的一個(gè)模塊單元分為壓縮和激勵(lì)兩部分。SENet單元結(jié)構(gòu)如圖5所示。

圖5 SENet單元結(jié)構(gòu)

如圖5假設(shè)SENet的輸入特征圖尺寸大小為H*W*C，SENet先對(duì)每個(gè)通道的特征進(jìn)行全局平均池化(global average pooling，GAP)，則輸入特征圖被壓縮為具有全局感受野的權(quán)重因子，壓縮過程為

(8)

接著經(jīng)過兩個(gè)全連接(fully connected，F(xiàn)C)層和ReLU激活函數(shù)建立通道間復(fù)雜的相關(guān)性，具體如下

(9)

然后通過sigmoid激活函數(shù)進(jìn)行歸一化，獲得最終的權(quán)重因子，最后進(jìn)行權(quán)重的重標(biāo)，如下所示

(10)

SENet利用全局信息學(xué)習(xí)各個(gè)通道的重要程度，自適應(yīng)增強(qiáng)對(duì)當(dāng)前任務(wù)相對(duì)重要的特征通道并削弱非重要的特征通道，使網(wǎng)絡(luò)對(duì)關(guān)鍵信息擁有更強(qiáng)的判識(shí)能力[21]。本文設(shè)計(jì)在特征融合網(wǎng)絡(luò)SCFPN中多次嵌入SENet模塊，如圖4實(shí)心圓處為嵌入SENet模塊的位置，多次利用全局信息過濾網(wǎng)絡(luò)中的通道特征，反復(fù)從全局視野提取通道間的相關(guān)性信息，對(duì)小目標(biāo)檢測能力的提升具有促進(jìn)作用。

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境及訓(xùn)練過程

4.1.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)環(huán)境，見表1。

4.1.2 訓(xùn)練過程

圖6 訓(xùn)練過程中的Loss曲線

由圖6可看，在凍結(jié)和解凍兩個(gè)階段本文模型的Loss值均隨著迭代輪數(shù)的不斷增加而不斷下降，最終收斂于2.3，沒有產(chǎn)生欠擬合和過擬合現(xiàn)象。圖中，將改進(jìn)后模型的Loss曲線與YOLOv4-tiny的Loss曲線對(duì)比可見，二者的曲線收斂趨勢相同，說明改進(jìn)時(shí)采用的策略合理。

4.2 實(shí)驗(yàn)結(jié)果與分析

4.2.1 評(píng)價(jià)指標(biāo)

在評(píng)價(jià)目標(biāo)檢測模型的指標(biāo)中，精確率又叫查準(zhǔn)率，描述了模型檢測的準(zhǔn)確程度。召回率又叫查全率，描述了所有目標(biāo)被檢測出來的完成程度。查準(zhǔn)率和查全率是一對(duì)矛盾體，一方偏高，另一方就會(huì)偏低，因此，不能僅用一方評(píng)價(jià)模型的好壞。AP(average precision)由查準(zhǔn)率和查全率共同決定，綜合描述了一個(gè)模型的泛化程度，可以評(píng)估模型檢測單個(gè)類別的準(zhǔn)確度性能；mAP表示多類別平均精度，是對(duì)不同類別、不同尺度目標(biāo)檢測精度的一個(gè)綜合性評(píng)價(jià)；模型大小指模型訓(xùn)練后的權(quán)重文件大小，它可以衡量模型的復(fù)雜度。本文是針對(duì)無依托供電場景，對(duì)模型的精度與復(fù)雜度進(jìn)行均衡，因此，使用AP、mAP、模型大小3項(xiàng)指標(biāo)評(píng)判網(wǎng)絡(luò)性能。AP與mAP的計(jì)算方式如下。

分類任務(wù)的結(jié)果存在以下4種情況：tp：實(shí)際為正樣本且被正確預(yù)測為正樣本的樣本數(shù)。fp：實(shí)際為負(fù)樣本被錯(cuò)誤預(yù)測為正樣本的樣本數(shù)。tn：實(shí)際為負(fù)樣本被正確預(yù)測為負(fù)樣本的樣本數(shù)。fn：實(shí)際為正樣本被預(yù)測為負(fù)樣本的樣本數(shù)。

檢測的精確率指正確檢測出來的目標(biāo)框數(shù)量占所有預(yù)測目標(biāo)框數(shù)量的比例。其數(shù)學(xué)表達(dá)式為

(11)

檢測的召回率指正確檢測出來的目標(biāo)框數(shù)量占所有真實(shí)目標(biāo)框數(shù)量的比例。其數(shù)學(xué)表達(dá)式為

(12)

對(duì)于不同目標(biāo)的檢測結(jié)果，能依據(jù)召回測量值和精度測量值描繪各自的曲線，對(duì)該曲線積分就得到該類目標(biāo)平均精度AP[22]。其數(shù)學(xué)表達(dá)式為

(13)

對(duì)所有類別的目標(biāo)的精度求平均值可以得到平均精確度，即mAP，其數(shù)學(xué)表達(dá)式為

(14)

4.2.2 改進(jìn)策略的效果分析

(1)激活函數(shù)效果

YOLOv4-tiny模型使用的激活函數(shù)是LeakyReLU，該函數(shù)不夠平滑，AMS-YOLOv4-tiny模型將主干特征提取網(wǎng)絡(luò)之后的激活函數(shù)換成Mish函數(shù)。模型訓(xùn)練過程中，每迭代5輪保存一次mAP值，得到如圖7所示的mAP隨迭代輪數(shù)變化的趨勢圖。

圖7 網(wǎng)絡(luò)使用不同激活函數(shù)mAP隨迭代輪數(shù)變化的趨勢

由圖7可看，由于LeakyReLU函數(shù)產(chǎn)生梯度跳躍，在梯度下降法尋找頂點(diǎn)時(shí)，波動(dòng)較大，收斂效果較差。而Mish函數(shù)避免了梯度跳躍，使更多細(xì)節(jié)信息流入神經(jīng)網(wǎng)絡(luò)，收斂效果較好，有利于找到檢測效果最佳的一組模型權(quán)重組合。

(2)SCFPN結(jié)構(gòu)效果

SCFPN融合網(wǎng)絡(luò)先讓52*52*128有效特征層參與淺層特征的加固，然后進(jìn)行淺層與深層的融合，這樣使細(xì)節(jié)信息更豐富的淺層特征與語義信息更豐富的深層特征融合更加充分的同時(shí)，增強(qiáng)了網(wǎng)絡(luò)整體的感受野。SENet利用全局信息學(xué)習(xí)各個(gè)通道的重要程度，自適應(yīng)增強(qiáng)對(duì)當(dāng)前任務(wù)相對(duì)重要的特征通道并削弱非重要的特征通道，使網(wǎng)絡(luò)對(duì)關(guān)鍵信息擁有更強(qiáng)的判識(shí)能力。現(xiàn)為驗(yàn)證網(wǎng)絡(luò)的效果，從數(shù)據(jù)集中隨機(jī)取出一張圖片，對(duì)其進(jìn)行網(wǎng)絡(luò)中間特征層的可視化，得到如圖8所示可視化結(jié)果。

圖8 網(wǎng)絡(luò)中間特征層的可視化結(jié)果

圖8中，將YOLOv4-tiny特征融合前的特征圖與AMS-YOLOv4-tiny淺層特征加固后的特征圖對(duì)比可知，前者特征圖更為抽象，語義特征較強(qiáng)，細(xì)節(jié)特征較弱，AMS-YOLOv4-tiny進(jìn)行淺層特征加固后的特征圖減少了細(xì)節(jié)信息的丟失，目標(biāo)區(qū)域的整體輪廓更加清晰。將YOLOv4-tiny模型FPN結(jié)構(gòu)后的特征圖與AMS-YOLOv4-tiny模型SCFPN結(jié)構(gòu)后的特征圖對(duì)比可知，前者特征圖背景信息與目標(biāo)信息邊界模糊，后者特征圖使重點(diǎn)信息更加突出，對(duì)關(guān)鍵信息抓取有利于提高目標(biāo)檢測的精度。

4.2.3 消融實(shí)驗(yàn)

為研究各創(chuàng)新策略對(duì)模型的影響程度，本文以YOLOv4-tiny為基礎(chǔ)，PASCAL VOC07+12作為訓(xùn)練的數(shù)據(jù)集，設(shè)計(jì)了如表2所示的消融實(shí)驗(yàn)。“√”表示包含某種策略，“×”表示不包含某種策略。由表2可看，各項(xiàng)策略中，SCFPN特征融合網(wǎng)絡(luò)策略對(duì)模型性能的貢獻(xiàn)最大，該策略使mAP提升了2.33%。第二組、第六組和第七組對(duì)比可知，Mosaic數(shù)據(jù)增強(qiáng)[23]效果在本模型易抖動(dòng)。因此，本文通過選用效果最佳的第六組策略組合對(duì)YOLOv4-tiny進(jìn)行改進(jìn)，提出一種輕量級(jí)模型AMS-YOLOv4-tiny。

表2 消融實(shí)驗(yàn)性能對(duì)比

4.2.4 不同模型性能比較實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證模型的可靠性和有效性，將本文提出的算法AMS-YOLOv4-tiny與當(dāng)前主流的幾種一階段算法，Mobilenetv2-SSD算法、YOLOv4算法、YOLOv4-tiny算法，在PASCAL VOC07+12數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表3。

表3 不同模型對(duì)比實(shí)驗(yàn)

無依托供電場景要求盡可能減小算力節(jié)省功耗，加之嵌入式設(shè)備計(jì)算資源有限，需要模型的精度與算力達(dá)到一種均衡，且模型的速度要滿足實(shí)時(shí)性的需求。如表3所示，YOLOv4算法檢測效果較好，但模型復(fù)雜，體積較大，不適合部署在算力有限的嵌入式設(shè)備。Mobilenetv2-SSD與YOLOv4-tiny算法屬于輕量級(jí)算法，模型簡單，速度快，體積較小分別為23.89 MB和22.65 MB，易部署在嵌入式設(shè)備，但是二者目標(biāo)檢測精度低。本文提出的AMS-YOLOv4-tiny算法達(dá)到了模型精度與大小的均衡，與YOLOv4-tiny相比，mAP提升4.45%，車的AP提升4.9%，人的AP提升4.01%；與Mobilenetv2-SSD相比，mAP提升9.35%，車的AP提升6.79%，人的AP提升11.93%；與YOLOv4相比，mAP僅低其1.28%，而模型大小為其1/10。

5 嵌入式平臺(tái)驗(yàn)證

本文使用君正T40嵌入式平臺(tái)進(jìn)行算法的性能驗(yàn)證，T40是一款擁有1.2 GHz XBurst2雙核CPU的4K視頻AloT應(yīng)用處理器，支持int16/int8/int4/int2等多種量化等級(jí)，內(nèi)置算法后處理單元，支持非卷積計(jì)算硬件加速。將算法移植到此平臺(tái)的過程分為3步：①在Linux Host機(jī)上安裝用來編譯和調(diào)試嵌入式設(shè)備程序的交叉工具鏈，其具體版本信息為gcc 7.2.0、glibc 2.26、uclibc 0.9.33.2；②程序在宿主機(jī)上經(jīng)過交叉編譯后得到可執(zhí)行文件；③將可執(zhí)行文件燒寫到T40并運(yùn)行。

將YOLOv4-tiny算法和本文提出的改進(jìn)算法AMS-YOLOv4-tiny在嵌入式設(shè)備T40上進(jìn)行對(duì)比測試，檢測效果如圖9所示。圖9中第一行的兩張圖是對(duì)空曠場景下單個(gè)遠(yuǎn)距離的小目標(biāo)進(jìn)行檢測，當(dāng)天天氣狀況為陰天、輕度霾，左邊圖為YOLOv4-tiny的檢測效果圖，右邊圖為AMS-YOLOv4-tiny的檢測效果圖。圖9第二行的兩張圖是對(duì)復(fù)雜場景下的多目標(biāo)進(jìn)行檢測，當(dāng)天天氣狀況為陰天，空氣質(zhì)量良好，左邊圖為YOLOv4-tiny的檢測效果圖，右邊圖為AMS-YOLOv4-tiny的檢測效果圖。將兩種場景下兩種算法的檢測效果分別對(duì)比發(fā)現(xiàn)，YOLOv4-tiny小目標(biāo)漏檢嚴(yán)重，AMS-YOLOv4-tiny算法明顯提升了小目標(biāo)的檢測效果。

圖9 YOLOv4-tiny與AMS-YOLOv4-tiny檢測效果對(duì)比

將AMS-YOLOv4-tiny算法在多種復(fù)雜場景下進(jìn)行測試，效果如圖10所示。

圖10 AMS-YOLOv4-tiny模型多種復(fù)雜場景下測試效果

圖10左上圖的天氣狀況為中雪，有霧，能見度不足1 km，從測試效果來看，在天氣惡劣的雪天目標(biāo)車被明顯遮擋的情況下，AMS-YOLOv4-tiny仍有很好的檢測效果；

圖10右上圖顯示，目標(biāo)處于附近大樓投下的陰影中，且周圍環(huán)境雜亂，目標(biāo)人距離設(shè)備鏡頭50 m，AMS-YOLOv4-tiny仍能精準(zhǔn)捕捉到目標(biāo)；

圖10左下圖顯示，夜晚目標(biāo)較小且模糊的情況下，AMS-YOLOv4-tiny依舊能將目標(biāo)檢測出來；

實(shí)驗(yàn)驗(yàn)證本文提出的改進(jìn)算法AMS-YOLOv4-tiny明顯提升了小目標(biāo)檢測性能，且檢測效果穩(wěn)定，檢測結(jié)果受天氣、能見度、周圍環(huán)境雜亂程度、光線、障礙物遮擋等因素影響小，具有很強(qiáng)的魯棒性，滿足多種復(fù)雜場景下目標(biāo)檢測任務(wù)的精度與實(shí)時(shí)性要求。

6 結(jié)束語

針對(duì)無依托供電場景下，現(xiàn)有模型受戶外天氣、能見度、距離、周圍環(huán)境雜亂程度、障礙物遮擋等因素影響較大，檢測結(jié)果易出現(xiàn)抖動(dòng)，且小目標(biāo)漏檢嚴(yán)重的問題，本文基于YOLOv4-tiny提出一種新的小目標(biāo)檢測輕量級(jí)模型AMS-YOLOv4-tiny。基于淺層信息加固的三路特征融合網(wǎng)絡(luò)SCFPN，提升了檢測層對(duì)目標(biāo)的表達(dá)能力；嵌入通道注意力機(jī)制，有利于網(wǎng)絡(luò)對(duì)關(guān)鍵信息進(jìn)行捕獲；更加平滑的Mish函數(shù)使得更多細(xì)節(jié)信息深入網(wǎng)絡(luò)，獲得更高的準(zhǔn)確率和更好的泛化效果。與YOLOv4-tiny相比，AMS-YOLOv4-tiny將mAP提升4.45%，車的AP提升4.9%，人的AP提升4.01%，且模型大小僅增加3.08 MB。與當(dāng)前主流的一階段算法YOLOv4相比，AMS-YOLOv4-tiny的mAP僅比大型網(wǎng)絡(luò)YOLOv4低1.28%，而模型大小縮減為YOLOv4的1/10，達(dá)到了精度與算力的均衡。將AMS-YOLOv4-tiny模型部署在在嵌入式設(shè)備T40上測試，滿足多種復(fù)雜場景下目標(biāo)檢測任務(wù)的精度與實(shí)時(shí)性要求。