典型文献
基于改进YOLOv5的车辆端目标检测
文献摘要：
在自动驾驶应用场景下,将YOLOv5应用于目标检测中,性能较之前版本有明显的提升,但在高运行速度情况下检测精度仍不够高,本文提出一种基于改进YOLOv5的车辆端目标检测方法.为解决训练不同数据集时需手动设计初始锚框大小,引入自适应锚框计算.在主干网络(backbone)添加压缩与激励模块(squeeze and excitation,SE),筛选针对通道的特征信息,提升特征表达能力.为了提升检测不同大小物体时的精度,将注意力机制与检测网络融合,把卷积注意力模块(convolutional block attention module,CBAM)与Neck部分融合,使模型在检测不同大小的物体时能关注重要的特征,提升特征提取能力.在主干网络中使用空间金字塔池化SPP模块,使得模型输入可以输入任意图像高宽比和大小.在激活函数方面,进行卷积操作后使用Hardswish激活函数,应用于整个网络模型.在损失函数方面,使用CIo U作为检测框回归的损失函数,改善定位精度低和训练过程中目标检测框回归速度慢的问题.实验结果表明,改进后的检测模型在KITTI 2D数据集上测试,目标检测的精确率(precision)提高了 2.5％,召回率(recall)提高了 5.1％,平均精度均值(mean average precision,mAP)提高了 2.3％.
文献关键词：
目标检测;YOLOv5;压缩与激励模块;注意力机制;卷积注意力模块;激活函数;Hardswish
中图分类号：
作者姓名：
黎国溥;陈升东;王亮;邹凯;袁峰
作者机构：
广州软件应用技术研究院,广州511458;贵阳信息技术研究院,贵阳550081
文献出处：
引用格式：
[1]黎国溥;陈升东;王亮;邹凯;袁峰-.基于改进YOLOv5的车辆端目标检测)[J].计算机系统应用,2022(12):127-134
A类：
压缩与激励模块,Hardswish,CIo
B类：
YOLOv5,自动驾驶,较之,本有,运行速度,检测精度,目标检测方法,自适应锚框,主干网络,backbone,squeeze,excitation,SE,特征信息,特征表达,表达能力,同大,注意力机制,测网,网络融合,卷积注意力模块,convolutional,block,attention,module,CBAM,Neck,特征提取能力,空间金字塔池化,SPP,模型输入,高宽比,激活函数,行卷,卷积操作,损失函数,定位精度,训练过程,速度慢,检测模型,KITTI,2D,精确率,precision,召回率,recall,平均精度均值,mean,average,mAP
AB值：
0.406103
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
