针对现有交通灯算法对小目标、遮挡目标检测识别效果不佳等问题,提出一种基于注意力与多尺度特征融合的YOLOv5检测算法(YOLOv5 detection algorithm based on attention and multi-scale feature fusion,AM-YOLOv5)。通过在残差结构中...针对现有交通灯算法对小目标、遮挡目标检测识别效果不佳等问题,提出一种基于注意力与多尺度特征融合的YOLOv5检测算法(YOLOv5 detection algorithm based on attention and multi-scale feature fusion,AM-YOLOv5)。通过在残差结构中引入坐标注意力模块,提高对小目标的特征提取能力;设计四尺度检测层,通过引入更浅层特征改善对小尺度目标的检测性能,提高检测精度;针对引入注意力和检测层导致计算量增大、速度降低的问题,采用分布移位卷积替换部分主干卷积的方法,简化模型,提升速度。实验结果表明:该算法在Lara数据集上平均精度均值达到90.8%,相较于经典YOLOv5算法,精度提升2.7%,速度达到59.9 FPS,在复杂恶劣环境下的BDD100K数据集上,精度提升3.6%,速度达到34.8 FPS,具有良好的检测效果,能较好地满足交通灯的实时检测。展开更多
文摘针对现有交通灯算法对小目标、遮挡目标检测识别效果不佳等问题,提出一种基于注意力与多尺度特征融合的YOLOv5检测算法(YOLOv5 detection algorithm based on attention and multi-scale feature fusion,AM-YOLOv5)。通过在残差结构中引入坐标注意力模块,提高对小目标的特征提取能力;设计四尺度检测层,通过引入更浅层特征改善对小尺度目标的检测性能,提高检测精度;针对引入注意力和检测层导致计算量增大、速度降低的问题,采用分布移位卷积替换部分主干卷积的方法,简化模型,提升速度。实验结果表明:该算法在Lara数据集上平均精度均值达到90.8%,相较于经典YOLOv5算法,精度提升2.7%,速度达到59.9 FPS,在复杂恶劣环境下的BDD100K数据集上,精度提升3.6%,速度达到34.8 FPS,具有良好的检测效果,能较好地满足交通灯的实时检测。