论文题名: | 基于YOLOv5的交通标志检测技术优化 |
关键词: | 交通标志检测;YOLOv5m;特征金字塔;注意力机制;自动驾驶 |
摘要: | 在自动驾驶技术中,交通标志检测一直以来都是极为重要的一环。随着人工智能的发展,使用深度学习的方法进行交通标志检测取得了不错的效果。然而,较小的交通标志、冗余的信息和低分辨率的图像,都增加了交通标志检测难度。针对以上挑战,本文对YOLOv5m进行了改进,主要研究内容如下: 在网络结构方面,进行了三点改进:(1)针对交通标志过小导致的漏检、错检等问题,对YOLOv5m特征金字塔进行了改进。将主干网络的浅层特征与深层特征进行融合,以丰富特征图中的细节信息。同时新增一个针对小目标检测的特征图P2,以提高对小目标的召回率。(2)针对图像中冗余信息和复杂背景等因素干扰的问题,在YOLOv5m主干网络中引入CA注意力(CoordinateAttention,CA)机制,使得模型能够有效地抑制无关信息,保留关键信息。(3)针对YOLOv5m耦合头中分类任务与回归任务之间冲突的问题,采用解耦头(DecoupledHead,DH)替换YOLOv5m中的耦合头,以提高模型的收敛速度和检测精度。经过实验验证,YOLOv5m-P2-CA-DH在TT100k交通标志数据集上mAP0.5提升了6.55%。 为了进一步提高模型精度,最简单有效的方法是增大图像分辨率。然而,高分辨率图像可能导致花费较长的推理时间和占用大量的存储空间。因此,本文提出了一种知识蒸馏方法来提高模型在低分辨率图像上的检测精度。教师模型通过基于特征的知识蒸馏方式将融合不同分辨率图像的特征传递给学生模型,从而进一步提高模型的检测精度。经过实验验证,学生模型在TT100k交通标志数据集的低分辨率图像上mAP0.5提升了1.66%。 |
作者: | 徐雨立 |
专业: | 软件工程 |
导师: | 高光来 |
授予学位: | 硕士 |
授予学位单位: | 内蒙古大学 |
学位年度: | 2023 |