10.19332/j.cnki.1005-0574.2022.02.011
基于改进YOLOv5的交通监控视频车辆检测方法研究
针对交通监控视频中车辆遮挡、车辆目标偏小导致的错检、漏检问题,提出一种改进的YOLOv5网络模型.将注意力机制SE模块分别引入YOLOv5网络的Backbone、Neck、Head,经过试验对比得出SE模块引入的最佳位置.针对YO-LOv5模型存在的正负样本不平衡问题,将焦点损失函数Focal Loss引入模型的训练过程.试验表明,将SE模块与Backbone进行融合,模型的平均准确率mAP提高了0.011%,引入Focal Loss之后,mAP提高了0.02%,同时准确率Precision和召回率Recall均有提高.对自建的数据集进行测试,结果表明:改进的YOLOv5模型能有效地提高交通监控场景中的车辆检测性能.
车辆检测、YOLOv5、注意力机制、Focal Loss
TP391.4(计算技术、计算机技术)
2022-05-09(万方平台首次上网日期,不代表论文的发表时间)
共6页
50-55