基于轻量化网络的YOLOv4检测算法研究

针对YOLOv4算法网络模型大、运算量大、运行效率低的问题，本文提出一种基于GhostNet的YOLOv4轻量化模型，使用GhostNet代替原网络中的CSPDarknet-53，通过一些简单的线性运算代替部分卷积，减少卷积运算，从而减少参数量以及浮点运算量。然后，在GhostNet中引入CBAM模块，结合通道注意力机制和通道注意力机制，增强模型对有效特征关注。另外使用HDC代替原始网路中的SPPNet，减少浅层网络特征的丢失。最后，将改进的算法与基于其他轻量化网络的YOLOv4算法对比。实验结果证明，与原始YOLOv4相比，在精度损失较小的情况下，基于GhostNet以及注意力机制的YOLOv4轻量化模型的大小得到了压缩，检测速度有了明显的提升。

随着深度学习的技术不断攀升，在目标检测方面应用基于深度卷积神经网络的一系列算法之后，在速度和精度上都取得了极大的进步。卷积神经网络实现了在特征提取、边界框的以及目标分类的判别。

目前基于卷积神经网络的目标检测算法大体分为两类：两阶段检测算法，例如，R-CNN [1]、Fast R-CNN [2]和Faster R-CNN 等算法；单阶段检测算法，例如YOLO 算法和SSD 等算法[3]。两阶段目标检测算法有两个步骤，先是生成候选区域，然后对候选区域进行分类、回归，产生最后结果。由此可见， 这类目标检测算法步骤多，训练困难，虽然准确度高，但是检测速度慢[4]。于是学者们将两个阶段融合为一个阶段，即单阶段目标检测算法。该类算法通过将目标定位转换为回归，可以一步获取目标的类别概率以及坐标位置，不再使用候选框[5]。这类算法虽然提高了检测速率，但是检测的准确率也降低了。

但无论是两阶段目标检测算法还是单阶目标检测算法，为了更好地进行目标特征提取，网络层数不断深化，但是由此也导致了参数量剧增，极大地增加了浮点运算的运算量，并且对内存资源的占用也是极大的负担[6]。

于是学者们开始对网络进行轻量化设计，2016 年，Iandola 等在文献[7]中提出SqueezeNet 轻量化网络， 该网络是基于Fire module 模块构建的， 与Inception 的网络构建一致， 参数量有所减少。

2017 年Howard 等在文献[8]中提出Mobilenet_v1 轻量化网络，基本组件就是引入的深度可分离卷积，同时引入两个超参数，经过改进模型参数量得到进一步降低。同年，Zhang 等人提出了ShuffleNet v1 轻量化网络，该算法使用分组卷积代替1 × 1 卷积，并进行Channel Shuffle，达成通道间信息交互，保证网络性能。2018 年， Mark [9]等在文献[9]中提出了Mobilenet_v2 轻量化网络， 该网络是在Howard 的基础上引入了倒残差网络以及线性瓶颈结构， 用Relu6 激活函数代替 Narrow layer 后的ReLU， 因为Relu6 在增加高维空间非线性方面更加有效，这样能够保持特征多样性，增强网络表达能力。同年Ma [10]等人在文献[10]中提出ShuffleNet v2 轻量化网络，该网络先划分通道，一个分支不操作，一个分支卷积，然后先拼接再进行Channel Shuffle 操作。2019 年Grace [11]等在文献[11]中提出Mobilenet_v3 轻量化网路，该网络是对Mobilenet_v2 的改进，在MobileNet_v3 中先进行平均池化[12]，再使用1 × 1 卷积，保留了高维特性，还减少了延迟， 与Mobilenet_v2 的瞬息相反， 此外， Mobilenet_v3 主要使用了NAS (Neural Network Search)，