典型文献
改进YOLOv5的复杂道路目标检测算法
文献摘要：
针对复杂道路背景下的密集遮挡目标和小目标导致的误检、漏检问题,提出一种基于改进YOLOv5的复杂道路目标检测算法.引入Quality Focal Loss,将分类得分与位置的质量预测结合,提高了对密集遮挡目标的定位精度;增加一层浅层检测层作为更小目标的检测层,将原始算法的三尺度检测改为四尺度,特征融合部分也作相应改进,提高了算法对小目标特征的学习能力;借鉴加权双向特征金字塔网络(BiFPN)的特征融合思想,提出了去权重的BiFPN,充分利用深层、浅层以及原始的特征信息,加强了特征融合,减少了卷积过程中特征信息的丢失,提高了检测精度;引入卷积块注意模块(CBAM),进一步提升了算法的特征提取能力,让算法更关注有用的信息.实验结果表明,该改进算法在公开的自动驾驶数据集KITTI和自制的骑乘人员头盔数据集Helmet上的检测精度分别达到了94.9％和96.8％,相比原始算法分别提高了1.9个百分点和2.1个百分点的检测精度,检测速度分别达到了69 FPS和68 FPS,具有较好的检测精度与实时性,同时与一些主流的目标检测算法相比,该改进算法也有一定的优越性.
文献关键词：
复杂道路;YOLOv5;Quality Focal Loss;双向特征金字塔网络(BiFPN);卷积块注意模块(CBAM);遮挡目标;小目标
中图分类号：
作者姓名：
王鹏飞;黄汉明;王梦琪
作者机构：
广西师范大学 计算机科学与工程学院,广西 桂林 541004
文献出处：
引用格式：
[1]王鹏飞;黄汉明;王梦琪-.改进YOLOv5的复杂道路目标检测算法)[J].计算机工程与应用,2022(17):81-92
A类：
B类：
YOLOv5,复杂道路,道路目标检测,目标检测算法,遮挡目标,漏检,Quality,Focal,Loss,质量预测,定位精度,检测层,三尺度,四尺,特征融合,小目标特征,加权双向特征金字塔网络,BiFPN,融合思想,特征信息,检测精度,卷积块注意模块,CBAM,特征提取能力,注有,改进算法,自动驾驶,KITTI,骑乘,头盔,Helmet,百分点,检测速度,FPS
AB值：
0.295994
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。
