针对目标检测算法在交通标志检测中存在的不足,文中提出了一种融合感受野增强模块和注意力机制的交通标志检测算法。该算法在YOLOv5(You Only Look Once version 5)算法的基础上改进,选用感受野模块(Receptive Field Block,RFB)替换原...针对目标检测算法在交通标志检测中存在的不足,文中提出了一种融合感受野增强模块和注意力机制的交通标志检测算法。该算法在YOLOv5(You Only Look Once version 5)算法的基础上改进,选用感受野模块(Receptive Field Block,RFB)替换原骨干网络中的空间金字塔池化(Spatial Pyramid Pooling,SPP)模块,在特征融合网络中嵌入高效通道注意模块(Efficient Channel Attention Module,ECAM)和卷积块注意模块(Convolutional Block Attention Module,CBAM),选用矩阵非极大值抑制(Matrix Non-Maximum Suppression,Matrix NMS)筛选候选框以提升算法的检测精度和检测速度。实验结果表明,在模型参数量与原网络相比未变化的前提下,该算法的均值平均精度达到了82.31%,与原算法相比提升了8.59%,检测速度达到了51.89 frame·s^(-1),且该算法在各个测试场景中未出现错检漏检现象,证明其泛化能力优于原算法,可以实时检测交通标志。展开更多
文摘针对目标检测算法在交通标志检测中存在的不足,文中提出了一种融合感受野增强模块和注意力机制的交通标志检测算法。该算法在YOLOv5(You Only Look Once version 5)算法的基础上改进,选用感受野模块(Receptive Field Block,RFB)替换原骨干网络中的空间金字塔池化(Spatial Pyramid Pooling,SPP)模块,在特征融合网络中嵌入高效通道注意模块(Efficient Channel Attention Module,ECAM)和卷积块注意模块(Convolutional Block Attention Module,CBAM),选用矩阵非极大值抑制(Matrix Non-Maximum Suppression,Matrix NMS)筛选候选框以提升算法的检测精度和检测速度。实验结果表明,在模型参数量与原网络相比未变化的前提下,该算法的均值平均精度达到了82.31%,与原算法相比提升了8.59%,检测速度达到了51.89 frame·s^(-1),且该算法在各个测试场景中未出现错检漏检现象,证明其泛化能力优于原算法,可以实时检测交通标志。
