典型文献
基于改进YOLOv5的目标检测算法研究
文献摘要：
YOLOv5是目前单阶段目标检测性能较好的算法,但对目标边界回归的精确度不高,难以适用对预测框交并比要求较高的场景.基于YOLOv5算法,提出一种对硬件要求低、模型收敛速度快、目标框准确率高的新模型YOLO-G.改进特征金字塔结构(FPN),采用跨层级联的方式融合更多的特征,一定程度上防止了浅层语义信息的丢失,同时加深金字塔深度,对应增加检测层,使各种锚框的铺设间隔更加合理;其次把并行模式的注意力机制融入到网络结构中,赋予空间注意力模块和通道注意力模块相同的优先级,以加权融合的方式提取注意力信息,使网络可根据对空间和通道注意力的关注程度得到混合域注意力;通过降低网络的参数量和计算量对网络进行轻量化处理,防止因模型复杂度提升造成实时性能的损失.使用PASCAL VOC的2007、2012两个数据集来验证算法的有效性,YOLO-G比YOLOv5s的参数量减少了4.7％,计算量减少了47.9％,而mAP@0.5提高了3.1个百分点,mAP@0.5:0.95提高了5.6个百分点.
文献关键词：
YOLOv5算法;特征金字塔(FPN);注意力机制;目标检测
中图分类号：
作者姓名：
邱天衡;王玲;王鹏;白燕娥
作者机构：
长春理工大学 计算机科学技术学院,长春 130022
文献出处：
引用格式：
[1]邱天衡;王玲;王鹏;白燕娥-.基于改进YOLOv5的目标检测算法研究)[J].计算机工程与应用,2022(13):63-73
A类：
B类：
目标检测算法,算法研究,单阶段目标检测,检测性能,交并比,收敛速度,改进特征,特征金字塔结构,FPN,跨层级,语义信息,检测层,锚框,铺设,并行模式,注意力机制,空间注意力,通道注意力模块,优先级,加权融合,混合域,参数量,计算量,轻量化处理,模型复杂度,PASCAL,VOC,YOLOv5s,mAP,百分点
AB值：
0.368383
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。
