文档摘要：为应对车流量、时间地点和天气等因素给交通车辆检测带来的挑战,提出基于YOLOv5s模型的新算法.该改进模型适用于各种交通场景,其改进如下:在特征串联阶段引入高效的二维局部特征叠加自注意力(ELFSa),以增强模型对目标的感知能力;将YOLOv5s的检测头替换为简易特定于任务的上下文解耦(S-TSCODE),以实现分类和定位子任务之间的完美平衡,从而改善模型的收敛;为减少运算负担,模型中的大于3×3的部分卷积操作被替换成了GSConv.实验结果显示,改进的YOLOv5s在各方面均有提升,其中mAP@0.5为98.9%,mAP@0.5:0.95为87.0%,分别提升0.1%和1.5%.针对各种复杂的交通场景,所提出的方法增强了车辆检测的性能和鲁棒性.
Abstract：Toaddressthechallengesarisingfromfactorsliketrafficflow,time,place,andweatherontrafficvehicledetec-tion,Anovelalgorithm,whichbuildsupontheYOLOv5smodel,hasbeenintroduced.Thisenhancedmodeldemonstratesadaptabilityacrossdiversescenariosoftransportation.Theimprovementsareasfollows:theincorporationofanefficient2Dlocalfeaturesuperimposedself-attention(ELFSa)duringthefeatureseriesstage,aimingtoenrichthemodel'sob-jectperceptioncapabilities;replacethedetectionheadofYOLOv5swithasimpletask-specificcontextdecoupling(S-TSCODE)toachieveaperfectbalancebetweenclassificationandlocalizationsubtasksBalance,therebyimprovingtheconvergenceofthemodel;Tomitigatecomputationalcomplexity,certainconvolutionswithinthemodelwithdimensionsof3×3orlargeraresubstitutedwithGSConv.TheexperimentalfindingsdemonstratethattheenhancedYOLOv5smodelexhibitsimprovementsacrossallaspects,particularlyintermsofmAP@0.5is98.9%,andmAP@0.5:0.95is87.0%,whicharerespectivelyincreasedby0.1%and1.5%.Addressingawiderangeofintricatetrafficscenarios,thesuggestedmeth-odologyenhancedtheperformanceandrobustnessofvehicledetection.
作者：孙光灵 周云龙 Author：SUNGuangling ZHOUYunlong
作者单位：安徽建筑大学电子与信息工程学院,安徽合肥230601;合肥工业大学智能互联系统安徽省实验室,安徽合肥230009安徽建筑大学电子与信息工程学院,安徽合肥230601
刊名：成都信息工程大学学报
Journal：JournalofChengduUniversityOfInformationTechnology
年，卷(期)：2024, 39(4)
分类号：TP391.4
关键词：目标检测 自注意力 解耦检测头 轻量化卷积 YOLOv5s
Keywords：objectdetection self-attention decoupledhead lightweightconvolution YOLOv5s
机标分类号：TP391.41U491TP273.4
在线出版日期：2024年7月16日
基金项目：国家自然科学基金，安徽省高校协同创新项目，安徽省住房城乡建设科学技术计划资助项目，安徽省住房城乡建设科学技术计划资助项目，合肥工业大学智能互联系统安徽省实验室开放基金自注意力结合上下文解耦的交通车辆检测[
期刊论文] 成都信息工程大学学报--2024, 39(4)孙光灵 周云龙为应对车流量、时间地点和天气等因素给交通车辆检测带来的挑战,提出基于YOLOv5s模型的新算法.该改进模型适用于各种交通场景,其改进如下:在特征串联阶段引入高效的二维局部特征叠加自注意力(ELFSa),以增强模型对目标的感...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：目标检测,自注意力,解耦检测头,轻量化卷积,YOLOv5s,
|
|
1
