面向跌倒行人的MP-YOLOv5检测模型

摘要：

跌倒是高龄人群及复杂作业环境中工人死伤的重要因素,针对原始YOLOv5 模型漏检、错检、小目标检测效果差等问题,提出一种MP-YOLOv5 检测模型,自建跌倒行人数据集用于跌倒检测研究.为增强Backbone的特征提取能力,设计了深度自注意力变换模块(transformer C3,TRC3),运用多头自注意力(multi-head self-attention,MH-SA)模型,拓展网络关注不同位置局部信息的能力,捕捉更丰富的上下文信息;针对原始模型feature map分辨率不足的问题,在YOLOv5 原有的模型上增加1 个prediction head用于小目标检测,使模型更敏锐地识别小目标;为削弱复杂背景对网络特征提取的干扰,提出一种改进的压缩和激励网络(squeeze-and-excitation network,SENet),有助于网络更精确地关注跌倒姿态;引入软非极大值抑制(soft non-maximum suppression,Soft-NMS)替换YOLOv5 原始的NMS降低了漏检率.实验结果表明,在不影响算法识别速度的情况下,MP-YOLOv5 跌倒行人检测训练集的mAP从 97.62%提升至 98.87%,证明了MP-YOLOv5 模型比未改进的YOLOv5 模型更能满足行人跌倒检测的要求.

关键词：跌倒检测、多头自注意力、多尺度检测、改进的压缩和激励网络、软非极大值抑制

所属期刊栏目：35

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2023-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：960-970