YOLOv5的改进算法及其在自动驾驶多目标检测的应用研究

摘要：

车辆、行人等交通参与者的实时检测是自动驾驶汽车与外界环境实现信息交互的重要环节,而在复杂天气条件下多目标检测精度低仍是一个挑战性问题.提出了一种YOLOv5的改进算法及其在自动驾驶多目标检测的应用方法.该方法采用K-means++算法对数据集中的目标样本聚类,以获得更符合不同目标尺度的锚框,提高多目标定位及其实体分割的精度;在原YOLOv5的骨干网络中添加Coordinate Attention(坐标注意力)模块,以提高模型的特征提取能力;将原YOLOv5网络中的PANet(路径聚合网络)结构替换为BiFPN(双向特征金字塔)结构,实现自上而下与自下而上的深浅层特征双向融合,提高模型对不同尺度目标的整体检测精度.对比实验结果表明:改进后的YOLOv5算法获得了更好的性能,目标检测的mAP达到了92.2%,比改进前的YOLOv5算法提升了8.47%.

关键词：目标检测、YOLOv5、自动驾驶、双向特征金字塔、坐标注意力

所属期刊栏目：59

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;广西自然科学基金项目

在线出版日期：2023-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：68-75