基于Ghost模块的改进YOLOv5目标检测算法

摘要：

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检.针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5?CBGhost.首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度.通过在PASCAL VOC2007+2012数据集上实验,YOLOv5?CBGhost的目标精度达到81.8％,相较于YOLOv5s,提高了3.0％,计算量减少42.5％,模型大小减少3.5％.

关键词：目标检测、YOLOv5改进、Ghost模块、模型处理、PAN结构改进、特征融合

所属期刊栏目：46

分类号：TN911.73⁃34;TP391.41

资助基金：国家自然科学基金52074305

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：29-34