改进Mask R-CNN的车辆检测算法

为提升在不同复杂场景下的车辆检测性能,提出一种基于改进Mask R-CNN的车辆检测算法.在算法的主干网络ResNet50中引入PSA极自注意力机制提升主干网络特征提取能力;在特征金字塔顶层网络中添加一个带有ECA注意力机制的分支与原分支进行特征融合,缓解顶层特征由于通道降维造成的信息损失.重新设计卷积检测头使得边框回归更为准确,并使用余弦退火算法和Soft-NMS算法来优化训练过程和后处理结果.实验结果表明,改进的Mask R-CNN车辆检测算法相比原Mask R-CNN算法在复杂场景下具有更高的检测精度,在CNRPark-EXT测试集中平均精确度提高3.8%,在更具挑战性的MiniPark测试集中平均精确度提高7.9%.

改进YOLOv5s的口罩佩戴检测算法

针对现有口罩佩戴检测算法难以在密集场景下检测小目标及检测精度低等系列问题,提出了一种改进YOLOv5s的口罩佩戴检测算法。首先,采用PSA极化自注意力机制,使得模型更专注于口罩这一特定类别检测。其次,引入ASFF模块让模型达到充分利用不同尺度特征的效果。接着,增加尺度检测,强化原模型在密集复杂场景下的特征提取能力,扩展检测区域,提高对于口罩这类小目标的检测精度。最后,将原模型使用的回归损失函数修改为EIoU Loss,使网络在训练时可以保证预测框更快收敛。实验结果表明,改进之后的算法相较原算法在维持较快检测速率基础上平均准确率提高4.2%,和现有其他主流检测算法对比精度也有较大提高,能够较好地对人员口罩佩戴情况进行检测且满足实时性的要求。