基于自注意力机制和改进YOLOv5s的小目标生物检测

为了快速准确地检测出小目标生物(海参、扇贝、海星和海胆)在复杂水下环境的位置及所属种类，提出一种基于改进YOLOv5s的小目标生物检测算法。在特征提取阶段，引入基于多头自注意力设计的自注意力残差模块，强化网络全局建模能力的同时，强化目标特征信息；在特征融合阶段，将特征融合网络调整为添加横向连接的双向特征金字塔结构，增强网络融合不同阶段特征信息的能力；在检测阶段，舍弃大目标检测尺度并添加小目标的检测尺度，提升小目标生物的检测精度；最后，引入α–CIoU损失函数作为模型边界框回归损失函数，提高边界框回归精度，进而提高算法检测准确率。定性试验中，几乎所有肉眼可见的水产品目标都被改进模型检出，并正确标记，体现了改进算法的有效性。α值选取试验中，α值为2.0时效果最佳，平均精度均值(mAP)均优于其他值的，达到0.857，较α值为1.0时的提升了0.016。消融试验中，添加任一优化方法均会提升改进模型的检测精度，最终改进模型的mAP达0.873，较原模型的提升了0.032，模型参数量减少了26.8%，仅有5 M。对比试验中，改进模型的mAP较Faster RCNN、YOLOv3、YOLOv4、YOLOv5s、YOLOvX、SSD、NAS–FCOS、改进YOLOv5等的提升了0.020以上；改进模型在本地服务器的检测速度达139帧/s，较YOLOv5s的提升了14帧/s，略逊于以检测速度著称的SSD模型的。可见，改进模型能满足轻量和实时性要求。改进模型也成功部署到安卓移动设备中。