基于改进YOLOv5s小目标检测算法

摘要：

目的:针对现有目标检测算法进行小目标检测时检测效果不理想、漏检率高的问题,提出一种改进的YOLOv5s检测算法,提升小目标检测效果.方法:在原有模型基础上,引入BottleneckCSP模块并增加大尺度特征融合结构,提升模型小目标特征捕捉能力;同时在网络结构中融合SE注意力机制,使得网络自主学习更关注小目标特征通道,增强网络模型对小目标的检测效果.结果:在同一自制小目标检测数据集上进行训练验证,与已有算法比较,能够有效提升YOLOv5s目标检测算法的mAP值和训练收敛速度,拓展小目标检测范围(由原有算法的0.002 5～0.010 0缩小至0.000 8～0.001 4),提高小目标检测性能(平均检测率提升46％).结论:改进算法能够有效提升小目标的检测能力.

关键词：改进YOLOv5s、小目标检测、BottleneckCSP、大尺度特征融合、SE注意力机制

所属期刊栏目：38

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金52005003

在线出版日期：2024-09-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：69-77