基于多尺度YOLOv5的交通标志检测

针对小目标交通标志检测存在的检测精度低、漏检率高等问题,提出了一种基于多尺度融合的YOLOv5改进算法。在主干网络后输出4个有效特征层以便更好地融合多尺度信息,在主干网络输出的3个特征层中添加改进的多尺度融合注意力机制CBAM_U,以提升网络的检测能力;在Path Aggregation Network(PANet)下采样过程中添加Fusion模块,促进不同感受野下特征的细融合;在YOLOHand前加入Adaptively Spatial Feature Fusion(ASFF)模块解决特征金字塔融合的不一致性,进一步提升网络的表达能力。实验结果表明,提出的方法相比于原始YOLOv5网络在CCTSDB数据集中mAP@0.5提升了3.07%,召回率提升了3.83%,查准率提升了1.64%,F1-Score提升了2.66%,相比于其他检测算法,改进后的YOLOv5算法在复杂场景中具有更好的鲁棒性。

自然场景下的中国交通标志检测算法

当前在自然场景下对中国交通标志进行检测时通常存在检测精度和检测速度不平衡的问题,为此,提出一种基于YOLOv5的改进算法。首先根据ShuffleNet V2网络的设计理念,提出改进型轻量化卷积块来代替YOLOv5中的卷积块,以减少网络整体的计算量和参数量;其次提出一个扩大感受野的轻量化模块ASPC来代替原网络中的空间金字塔池化模块SPP,从而降低网络计算量和参数量同时提升网络的检测精度;最后把颈部特征融合网络中的上采样模块替换为CARAFE上采样算子,并提出多尺度通道混洗注意力机制MCSA,将其添加在CARAFE算子之后,让网络融合全局与局部的特征信息,更有效地减少颈部特征融合网络对交通标志特征信息的丢失。在自制的中国多类交通标志数据集CMTSD上进行实验,结果表明,改进后的算法模型大小相较于原模型减少了41%,每秒检测帧数(FPS)提高了9.37,平均检测识别精度mAP@0.5提升了2.91%,达到94.76%。改进算法在不同的自然场景下均能达到较好的检测效果,可以满足实际场景中对交通标志检测的需求。

基于Yolov5-MGC的实时交通标志检测

针对小目标交通标志检测存在的检测精度低、实时性差及模型体积大等问题,提出一种基于Yolov5的实时道路交通标志检测算法。首先,对Mobilenetv3中的倒残差结构进行改进,将其应用于Yolov5的主干网络中,使其更符合轻量网络的设计要求;其次,使用轻量级上采样通用算子CARAFE(content-aware ReAssembly of FEatures)代替原始网络的最近邻插值上采样模块,减少上采样信息损失的同时增大感受野;最后,使用全局与局部融合注意力(GLFA)聚焦全局尺度与局部尺度,增强网络对小目标物体的敏感程度。在自制中国多类交通标志数据集(CMTSD)上的实验结果表明:相比改进前的算法,改进后的算法在模型体积减小8.76 MB的基础上,平均精度均值(mAP)@0.5提升了2.58百分点,检测速度达62.59 frame/s;与其他主流目标检测算法相比,该算法在检测精度、检测速度及模型体积上具有一定的优势,在真实复杂交通场景中具有较好的性能。