面向复杂交通场景的道路目标检测方法

摘要：

针对复杂交通场景下小目标检测精度低,容易出现误检和漏检的问题,提出一种基于改进YOLOv5s的道路目标检测算法YOLOv5s-MRS.提出基于反馈机制的特征提取网络(RFP-PAN),增加浅层特征层与反馈连接并设计IASPP模块,充分融合不同尺度的特征信息,提升网络的特征融合能力;提出级联注意力机制(SECA),在通道和空间维度上聚焦重要特征,让算法关注更加有用的信息;利用Ghost模块的轻量化优势,降低算法的参数量、计算量和模型占用空间.实验结果表明,YOLOv5s-MRS算法在KITTI数据集和VisDrone2021 DET数据集上的检测精度分别达到了93.4%和40.8%,相比原始算法分别提高了1.6和8.6个百分点,模型大小为12.9 MB,在保证实时性的同时具有良好的检测精度,在一定程度上解决了小目标的漏检和误检问题.

关键词：YOLOv5s、递归金字塔、注意力机制、GhostNet

所属期刊栏目：59

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家重点研发计划2020YFB1711902

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10页

页码：87-96