原文传递
基于YOLOv5s的车辆检测改进算法
| 论文题名： | 基于YOLOv5s的车辆检测改进算法 |
| 关键词： | 车辆检测;YOLOv5算法;注意力机制;双向特征融合 |
| 摘要： | 车辆检测算法是目标检测领域中最热门和最重要的研究方向之一，近年来不断有新的算法被提出。其中，YOLOv5算法凭借其兼顾检测精度与检测速度的优异性能而受到了大家的一致认可。然而，在面对车辆精准定位、密集小目标以及各种复杂的道路环境时，YOLOv5依然存在漏检、误检的现象，难以满足实际应用场景中的需求。为了进一步提高YOLOv5的检测性能，本文基于YOLOv5算法中最轻量化的YOLOv5s模型，提出了三个改进措施，主要内容如下： 第一，为了解决YOLOv5s算法对车辆目标定位不精确的问题，在Backbone的输出中添加了坐标注意力（CoordinateAttention，CA）机制模块。该注意力机制模块能够增强网络提取通道特征信息以及车辆位置信息的能力，并且不会改变通道数大小，可以灵活配置使用。该改进模型被称为YOLOv5s_CA。 第二，为了提高YOLOv5s算法对小尺度车辆目标的检测性能，在Neck中引入了双向特征金字塔网络（Bi-directionalFeaturePyramidNetwork，BiFPN）。BiFPN是高效的双向特征融合网络，能够更加充分的进行多尺度特征融合，增强模型对小尺度车辆目标的感知能力，从而提升模型的检测精准度。该改进模型被称为YOLOv5s_BiFPN。 第三，为了增强YOLOv5s算法检测头的表达能力，在Head引入了分离式解耦头Decoupledhead。Decoupledhead将模型的分类问题和回归任务进行了解耦，避免了两者耦合计算时造成的信息损失，极大地加快了模型的收敛速度。该改进模型被称为YOLOv5s_DH。 最后，本文使用MSCOCO2017中的Car、Truck、Bus三个类别作为数据集，与原YOLOv5s算法进行对比实验，实验结果显示，YOLOv5s_CA的mAP较原算法提升0.78%，达到了67.11%。YOLOv5s_BiFPN的mAP较原算法提升1.08%，达到了67.41%。YOLOv5s_DH的mAP较原算法提升0.83%，达到了67.16%。而融合三种改进措施的YOLOv5s_Mix的mAP相较于原算法提升2.03%，达到了68.36%。综上所述，本文的改进措施均是有效的，都在一定程度上提升了算法的检测精度。 |
| 作者： | 李永豪 |
| 专业： | 交通运输工程 |
| 导师： | 方勇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
