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。