基于高效卷积注意力特征融合的道路目标检测

U461; 针对YOLOv5s基准模型参数量大、特征尺度差异化等问题,提出基于高效卷积注意力特征融合的轻量级目标检测模型.首先,构建基于幻影操作的轻量化特征提取模块,在保证检测精度接近原模型的前提下,提高模型的实时性.其次,优化通道注意力和空间注意力模块,提出基于高效卷积的注意力特征融合模块,并设计兼具检测精度与实时性的轻量级目标检测模型.在具有不同复杂道路场景的数据集BDD100K上开展实验.结果表明,相较于基准模型,所提模型的检测精度和推理速度均得到提升,其中全类平均检测精度提升了 1.4％,帧率提升了 28.2％.相较于当前行业应用中主流的深度学习模型,所提模型在精度与速度的均衡性上表现...

Full description

Saved in:
Bibliographic Details
Published in东南大学学报（自然科学版） Vol. 54; no. 4; pp. 1005 - 1013
Main Authors 罗为明, 李旭, 孙正良, 袁建华, 朱建潇, 王贲武
Format Journal Article
LanguageChinese
Published 东南大学仪器科学与工程学院,南京 210096 01.07.2024
公安部交通管理科学研究所,无锡 214151%东南大学仪器科学与工程学院,南京 210096%公安部交通管理科学研究所,无锡 214151
Subjects
注意力机制
注意力特征融合
attention feature fusion
attention mechanism
目标检测
object detection
轻量化
lightweight
Online AccessGet full text
ISSN1001-0505
DOI10.3969/j.issn.1001-0505.2024.04.025

Cover

More Information
Summary:U461; 针对YOLOv5s基准模型参数量大、特征尺度差异化等问题,提出基于高效卷积注意力特征融合的轻量级目标检测模型.首先,构建基于幻影操作的轻量化特征提取模块,在保证检测精度接近原模型的前提下,提高模型的实时性.其次,优化通道注意力和空间注意力模块,提出基于高效卷积的注意力特征融合模块,并设计兼具检测精度与实时性的轻量级目标检测模型.在具有不同复杂道路场景的数据集BDD100K上开展实验.结果表明,相较于基准模型,所提模型的检测精度和推理速度均得到提升,其中全类平均检测精度提升了 1.4％,帧率提升了 28.2％.相较于当前行业应用中主流的深度学习模型,所提模型在精度与速度的均衡性上表现出显著优势.
ISSN:1001-0505
DOI:10.3969/j.issn.1001-0505.2024.04.025