基于改进YOLOv5的自校准卷积模块目标检测算法

目标检测是当前工业界、学术界的研究热点,随着深度学习以及相关需求的进一步发展,需要更精准的检测模型。YOLO,一种新的对象检测方法,强调的是单阶段的模型。文章通过研究传统目标检测网络模型,提出一种即插即用的自校准卷积模块。文章基于现有模型YOLOv5,将该模块插入YOLOv5主干网络的C3模块中。经过对比实验后发现,两种模型所生成的曲线图、检测图、热力图均表明,该卷积模块能够有效提升YOLOv5原模型的目标检测效果。

基于图像的道路语义分割检测方法

针对现有语义分割网络模型在道路语义分割方面检测精度低、计算量大等问题,基于BiSeNet V2网络模型进行优化改进,引入一种高效的通道注意力(efficient channel attention,ECA)模块,在BiSeNet V2的语义分支和细节分支的每个阶段末端分别加入ECA,得到ECA-Semantic-BiSeNet V2网络。使用实车采集道路图像数据进行标注并构建自采数据集,在Cityscapes数据集、KITTI数据集及自采数据集上分别对改进前后的网络模型进行试验验证。试验结果表明,与BiSeNet V2模型方法相比,本研究方法在Cityscapes数据集上MIoU提高14.01%,在KITTI数据集上MIoU提高1.86%,同时在BiSeNet V2的语义分支加入ECA后运算量增加0.02 GFlops的条件下,模型推理速度提高了7.82帧/s。