改进YOLOv5的小目标检测算法-增加注意力机制

     和常规场景下的图像相比，在无人机影像中密集的目标周围往往存在着大量的相似对象，从而进行目标检测时很可能造成误检和漏检。另外，由于图像中含有大量的噪声信息，使得图像中的目标物体被弱化或遮挡，使目标检测变得更加困难。参考人类观察外界的方法，在观看一张图片时，会把焦点放在一个值得注意的地方。机器视觉中的注意力机制网络，能够让模型在训练的时候更加关注目标的重点信息，忽略与目标无关的信息。利用通道注意力和空间注意力相结合的CBAM注意力机制，对无人机影像中的小目标特征不突出的问题进行了研究。通道注意力机制如下式和下图所示，通道注意力网络利用FCex给每个通道分配不同的权重。 

     输入W×H×C的特征图，先对特征图的各个通道进行全局平均池化变为1×1×C，然后利用两层全连接神经网络进行非线性转换，获得1×1× C的权重。第一层的全连接神经网络用来进行降维处理，第二层用来将其还原到初始状态，得到通道注意力的权重wc，最终利用此权重对输入特征图的每个通道进行加权操作。空间注意力类似于通道注意力，如下式和下图所示。

      输入一个W×H×C的特征图，首先进行一个通道的全局平均池化和一个通道的最大池化，从而获得两个W×H×1的通道描述；然后将得到的两个通道描述进行拼接。经过一个7×7的卷积核 f7×7，并且经过Sigmoid激活函数后得到W×H×1的权重系数ws；在此基础上，通过对原始特征图和权重系数进行空间上的乘积，得出新的特征图。实验中发现，采用顺序连接的方式将空间注意力模块和通道注意力模块比并行连接取得的效果更好。下图显示了空间注意力和通道注意力顺序连接得到的CBAM模块。

    利用CBAM技术可以增强各个通道的相关性，本文将CBAM模块作为YOLOv5的特征提取网络，层次越深的CBAM模块得到的特征权重和类别的相关性越大。通过这种方法，基于CBAM浅层次的模块中能够有效地提高可共享的底层表示的质量，并且能够在所有深度上CBAM重新调整特征权重的优点可以不断累积，从而提高小目标检测的精度。

图 木材表面裂缝，死活结点等缺陷检测