一种基于改进YOLOv5s-Ghost网络的交通标志识别方法
针对目前自动驾驶过程中对交通标志的识别检测速度慢的问题,提出一种改进的YOLOv5s-Ghost网络模型对交通标志进行识别的方法,在3×3运算核Ghost Net模型框架下,通过两个连续的Ghost模块构建的Ghost Bottleneck模块,并代替C3模块中全部的Bottleneck模块,与跨阶段局部网络(cross-stage position network,CSPNet)模块结合生成 Ghost Bottleneck CSP 模块.通过调整每个模块中加入Ghost Bottleneck模块的数量,对比实验数据得到最佳网络模型.分别用原网络和新网络对TT100K数据集进行训练,对比实验数据表明,YOLOv5s-Ghost模型的检测精度达95.1%,检测速度达到了 52.6 FPS,模型大小压缩了 69.3%,在保证原检测精度的情况下提高了网络的检测速度.
YOLOv5、自动驾驶、交通标志、Ghost Net、Ghost Bottleneck CSP
34
TP751.1(遥感技术)
国家自然科学基金;国家自然科学基金
2023-03-31(万方平台首次上网日期,不代表论文的发表时间)
共10页
52-61