面向道路交通场景的轻量级目标检测方法

摘要：

针对道路交通场景下的目标检测算法模型占用系统资源较多,对小目标、遮挡目标的检测精度较低等问题,提出一种基于改进的YOLOv5s的轻量级目标检测方法.首先,将主干网络中一些运算量较大的模块替换为Ghost模块或者深度可分离卷积模块,可以减小网络规模、提高推理速度;其次,在主干网络添加SE模块,筛选针对通道的特征信息,提升特征表达能力;再次,使用排斥力损失函数Repulsion Loss作为bbox损失函数,使目标的预测框与匹配的目标框的距离缩小,与周围非匹配目标框的距离加大;然后,采用DIoU?NMS作为后处理方法,在抑制准则中不仅分析重叠区域,而且还计算两个框之间的中心点距离,可以提升遮挡情况下目标检测的精度;最后,构建道路交通场景下交通参与者的数据集,共计61200张,其中48960张作为训练集,12240张作为测试集,并在主流的GTX1080 GPU硬件平台进行验证.文中方法的mAP为85.83％,FPS为76.9 f/s,模型大小为25.6 MB,其mAP比YOLOv5s高出0.86％,FPS和模型大小均优于YOLOv4和YOLOv5系列算法.实验结果表明,文中方法在确保良好的检测精度的前提下,可以进一步简化网络的复杂程度、减少计算量,并且能够较好地解决道路交通场景下的遮挡目标和小目标检测的问题.

关键词：深度学习、轻量级卷积神经网络、目标检测、YOLOv5s算法、Ghost模块、深度可分离卷积、损失函数、遮挡目标

所属期刊栏目：45

分类号：TN911.7334

资助基金：国家自然科学基金;广东省自然科学基金重点项目;广东省重点科技领域研发计划

在线出版日期：2022-02-22（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：88-95