基于自适应多尺度特征融合网络的车辆检测方法

为了提高车辆检测精度，解决小目标车辆难以检测的问题，本文提出了自适应多尺度特征融合网络（Adaptive Multi-scale Feature Fusion Network，AMFFN），并基于该网络对 YOLO v4 进行了改进，取得了更好的检测效果. 该网络通过使用多个空间金字塔池化，提高特征的表示能力，并且跨层融合了多尺度的特征，为不同尺度的特征层分配可学习的权重 . 为了更好地获得特征的细节信息，本文选择了 DY-ReLU 作为激活函数，它可以随输入动态变化 . AMFFN可以被视为一个可重用的模块，通过反复融合特性来获得更精细的特性 . 为了避免复杂的网络结构导致的巨大参数量，使用深度可分离卷积替换普通卷积，以降低参数量，提高网络检测速度. 实验结果表明，本文提出的方法相比YOLO v4，平均精度提高了1.90%，检测速度提高了5 FPS.