YOLOv5预测边界框分簇自适应损失权重改进模型

摘要：

目标检测的精确程度是计算机视觉识别任务的主要影响因素.针对单阶段目标检测模型YOLOv5存在的检测精度问题,从多任务损失优化角度,提出一种在不同分辨率特征图上基于同一目标的预测边界框分簇自适应损失权重改进模型.该模型由GT(ground true)目标边界框UID分配器、GT目标边界框UID匹配器、边界框位置及分类损失权重算法构成,通过改善YOLOv5的位置精度和分类精度实现模型整体精度的提升.实验结果表明,改进模型的平均精度均值(mean average precision,mAP)较YOLOv5.6标准模型相对提升5.23％;相较于更为复杂的YOLOv5x6标准模型,改进模型mAP取得8.02％的相对提升.

关键词：计算机视觉、目标检测、深度学习、YOLOv5、自适应损失权重、多任务损失

所属期刊栏目：38

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金61866014

在线出版日期：2023-03-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：645-653