改进YOLOv5的轻量化交通标志检测算法

TP391.4; 随着当今时代科技和人工智能的高速发展,人们越来越倾向于无人驾驶这项技术.考虑到安全问题,针对驾驶过程中交通标志的实时检测问题,在YOLOv5模型的基础上做出改进,提出了一种轻量化的交通标志检测算法.在模型的特征融合部分加入了注意力机制,可以使模型更加突出目标特征.在检测层前加入一种轻量化的亚像素卷积层,在不增加计算量的基础上,有效地提高检测特征图的分辨率.对损失函数CIoU(Complete intersection over union)加以改进,加快了网络的收敛速度,并且收敛效果较改进前有了一定提升.实验结果表明,本文模型准确率可达到90.6%,较基础网络提高了14.5%...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 38; no. 6; pp. 1434 - 1444
Main Authors 贾子豪, 王文青, 刘光灿
Format Journal Article
LanguageChinese
Published 南京信息工程大学自动化学院,南京 210044%东南大学自动化学院,南京 210096 01.11.2023
Subjects
注意力机制
特征融合
feature fusion
attention mechanism
目标检测
sub-pixel convolution
object detection
亚像素卷积
轻量化
lightweight
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2023.06.017

Cover

More Information
Summary:TP391.4; 随着当今时代科技和人工智能的高速发展,人们越来越倾向于无人驾驶这项技术.考虑到安全问题,针对驾驶过程中交通标志的实时检测问题,在YOLOv5模型的基础上做出改进,提出了一种轻量化的交通标志检测算法.在模型的特征融合部分加入了注意力机制,可以使模型更加突出目标特征.在检测层前加入一种轻量化的亚像素卷积层,在不增加计算量的基础上,有效地提高检测特征图的分辨率.对损失函数CIoU(Complete intersection over union)加以改进,加快了网络的收敛速度,并且收敛效果较改进前有了一定提升.实验结果表明,本文模型准确率可达到90.6%,较基础网络提高了14.5%,检测速度可达到70 帧/s,基本满足对交通标志的实时精准检测.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2023.06.017