改进YOLOv5s的交通多目标检测方法
为了提高交通目标检测的精度和效率,提出一种改进YOLOv5s的交通场景多目标检测方法,在YOLOv5s的主干网络中引入高效的层聚合网络结构来提高模型学习目标特征的能力,引入了通道注意力和空间注意力结合的卷积注意力模块(BAM)机制,进一步提高网络模型的特征提取能力,通过采用α-IoU作为边界框回归损失函数,提高了边界框回归精度.实验结果表明,改进的目标检测模型相较于YOLOv5s原模型在检测精度上提升了 2.4%,模型参数量和模型大小分别降低了20.9%和19.1%.实现了在不同时间段准确且高效的检测交通场景的多种目标,保证了实时检测的应用需求.
目标检测、YOLOv5算法、注意力机制、损失函数
42
TP391.4(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金
2023-06-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
8-15