随着目标检测和无人机领域的结合越来越密切,涌现出大量优秀的目标检测算法。无人机航拍图像数据集独有的特点,使得高精度和高速度均衡的目标检测算法成为研究的热点,本文对基于无人机航拍图像的目标检测算法进行探讨和改进,在基于YOLOV4网络基础上的相关改进和实验结果如下:1.针对图像边缘检测和图像填充问题,在输入端,本文设计了自适应图像输入和自适应图像缩放。图像输入使用Mosaic数据增强的方式,将四张输入图像随机缩放、拉伸、裁剪后随机排列在一起,处在图像边缘的目标能够有效的被检测,使得召回率和精度都有所提升,但每次输入的图像预处理降低了检测速度。图像缩放使用自适应方式填充最少黑边,显著地提升了推理速度。2.针对网络中通道信息交互和参数优化问题,在主干网络,本文研究并加入图像切片和深度可分离卷积。图像切片等间隔取出图像切片,并在通道上进行叠加,目的增加输入的通道信息交互,深度可分离卷积首先进行逐通道卷积而不进行通道之间的融合,然后使用1*1卷积核进行逐点卷积和通道融合,极大地减少了参数量,前者改进有效提升了检测精度,后者改进显著地提升了检测速度。3.针对多尺度检测和遮挡目标检测问题,在预测端,本文改进并增加了空洞卷积和排斥损失。由于模型输出预测的三部分分别负责小中大三类锚框,因此针对性使用扩张率为1、2、3的空洞卷积,去提升对应特征图的感受野,有效改进了对多尺度变化目标检测的效果。在回归位置损失部分加入排斥损失中的排斥项,加大预测框与背景和其他类别实际框之间的距离,提升了被遮挡目标的召回率,但由于损失函数的复杂化导致计算量增加,检测速度有所下降。结合考虑检测精度和速度,本文融合了除排斥损失外所有改进,得到了最有效的模型,在Vis Drone2019数据集上的训练结果,平均检测精度均值达到43.75%,平均召回率达到57.13%,检测速度达到151FPS,在召回率和检测速度远远超过数据集公开的最佳算法。本文分析了模型训练时损失函数的下降曲线,验证了改进算法的有效性。并在测试数据集上进行了测试实验,从输出的检测效果图验证了改进算法的实用性。