目标检测是计算机视觉的重要领域。作为目标检测的重要分支,小目标检测有极高的应用价值,如无人机视角的目标检测、工业上的瑕疵检测、卫星遥感图像中的车船检测等。然而目前小目标检测算法的准确率较低,仍有许多问题待解决,如小目标本身信息不足导致可供模型学习的特征较少、多尺度场景下模型对小目标特征学习不足、小目标检测对目标定位误差的鲁棒性较差,准确定位小目标的难度大等。为了提升小目标检测性能,本文针对以上问题展开了研究。同时考虑到小目标场景对速度的要求,本文选择了单阶段目标检测算法YOLOv4作为基准网络,基于Vis Drone2019可见光图像数据集,对基于单阶段网络的小目标检测算法展开研究,研究内容如下:1.针对小目标检测面临问题,本文研究了基于信息增强的小目标检测方法。该方法包括改进的Mosaic数据增强方法和改进的损失函数。改进后的数据增强方法增加了小目标在训练过程中的尺寸,加强了小目标所携带的信息,但也导致了小目标数量占比减少。因此,本文又在损失函数中引入了基于尺寸的非线性惩罚,这增强了模型对小目标定位错误的惩罚,抑制了改进的Mosaic数据增强方案带来的负面影响。基于信息增强的改进提高了小目标的定位精度,增强了小目标自身信息,实验也证明了此方法的有效性。2.针对小目标检测的难点,本文在模型中引入了注意力机制。首先,本文在颈部网络中引入了注意力模块,这能够有效地促使网络聚焦于小目标区域,从而使小目标更容易被检出。实验证明注意力模块置于颈部网络中能提升小目标检测性能。其次,本文研究了加权特征融合模块以及特征层级注意力模块,在特征融合中引入了注意力机制,增强了模型对小目标的的注意力。通过注意力特征融合方案,本文一定程度上解决了小目标自身可学习特征少、定位难度大的问题。实验证明,在引入了注意力机制后,模型对小目标的检测性能有所提升。本文的实验结果充分证明了上述改进的有效性。本文所做的改进研究,在Vis Drone2019数据集上取得了2.8%的[email protected]:.95提升以及2.9%的[email protected]提升,其中小目标平均精度均值取得了1.5%的提升,平均召回率取得了1.9%的提升。