基于改进 YOLOv4-tiny 的节肢动物目标检测模型

来源：计算机技术与发展杂志2024年第01期北京时间：

作者：余咏;吴建平;';何旭鑫;韦杰;高雪豪

单位：1. 云南大学 信息学院,云南 昆明 650504;2. 云南省电子计算中心,云南 昆明 650223

摘要：针对自然环境下节肢动物背景复杂、形态万千、遮挡目标和目标尺度多样等因素,导致模型检测效率不高、边界框定位不准确的情况,提出一种基于改进 YOLOv4 -tiny 的节肢动物目标检测模型。 首先,结合空间、通道卷积注意力机制(CBAM) ,抑制背景噪声;其次,引入可变形卷积( DCN) 以及改进的加权双向特征金字塔,重塑卷积和特征融合方式进行多尺度预测;最后,在 FPN 网络中引出一层 Feat@ 3,嵌入空间金字塔池化结构,有效提取节肢动物的各种显著特征,使模型泛化能力更强,将改进后的模型命名为 YOLOv4-tiny-ATO。 实验结果表明,该模型在大小仅为 54. 6 Mb 的前提下,很好地平衡了检测速度和检测精度,检测精度为 0. 725,检测速度达到 89. 6 帧·s -1 ,召回率为 0. 585,较改进前相比 YOLOv4-tiny模型,检测精度提高 0. 426,模型在模型大小、检测速度上更适用于移动端部署,模型检测精度也能达到应用标准,满足对节肢动物的检测需求。

关键词：节肢动物;目标检测;可变形卷积;YOLOv4-tiny;双向特征金字塔