改进YOLOv7的复杂道路场景目标检测算法

摘要：

虽然基于深度学习的目标检测算法在道路场景中的目标检测方面已经取得了很好的效果,但是对于复杂道路场景中的密集目标,远处的小尺度目标检测精度低,容易出现漏检误检的问题,提出一种改进YOLOv7的复杂道路场景目标检测算法.增加小目标检测层,增加对小目标的特征学习能力;采用K-means++重聚类先验框,使得先验框更贴合目标,增加网络对目标的定位精度;采用WIoU(Wise-IoU)损失函数,增加网络对普通质量锚框的关注度,提高网络对目标的定位能力;在颈部和检测头引入协调坐标卷积(CoordConv),使网络能够更好地感受特征图中的位置信息;提出P-ELAN结构对骨干网络进行轻量化处理,降低算法参数量和运算量.实验结果表明,该改进算法在华为SODA10M数据集下的mAP达到64.8%,比原算法提高2.6个百分点,模型参数量和运算量分别降低12%和7%,达到检测精度和检测速度的平衡.

关键词：YOLOv7、道路目标检测、CoordConv、K-means++、轻量化

所属期刊栏目：60

分类号：TP391.4(计算技术、计算机技术)

资助基金：山西省重点研发计划项目202102150401009

在线出版日期：2024-01-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：96-103