基于坐标注意力的轻量级交通标志识别模型

针对交通标志识别模型检测速度与识别精度不均衡,以及受遮挡目标和小目标难以检测的问题,对YOLOv5模型进行改进,提出一种基于坐标注意力（CA）的轻量级交通标志识别模型。首先,通过在主干网络中融入CA机制,有效地捕获位置信息和通道之间的关系,从而更准确地获取感兴趣区域,避免过多的计算开销;然后,通过在特征融合网络中加入跨层连接,在不增加成本的情况下融合更多的特征信息,提高网络的特征提取能力,并改善对遮挡目标的检测效果;最后,引入改进的CIoU函数计算定位损失,以缓解检测过程中样本尺寸分布不均衡的现象,并进一步提高对小目标的识别精度。在TT100K数据集上应用所提模型时,识别精度达到了91.5%,召回率达到了86.64%,与传统的YOLOv5n模型相比分别提高了20.96%和11.62%,且帧处理速率达到了140.84 FPS。实验结果比较充分地验证了所提模型在真实场景中对交通标志检测与识别的准确性与实时性。     

改进YOLOv5s的交通标志识别算法

为了准确且实时地检测到交通标志指示牌, 减少交通事故的发生和推动智慧交通的发展, 针对现有的道路交通标志检测模型存在的精度不足、权重文件大、检测速度慢的问题, 设计了一种基于计算机视觉技术的改进YOLOv5s检测算法YOLOv5s-GC. 首先, 使用copy-paste进行数据增强后再送入网络进行训练, 加强对小目标的检测能力; 然后, 引入Ghost来构建网络, 削减原网络的参数和计算量, 实现轻量化模型; 最后, 将坐标注意力机制(coordinate attention)融合到骨干网络里, 增强对待测目标的表示和定位能力, 提高识别精度. 实验结果表明, YOLOv5s-GC模型相比于原YOLOv5s模型, 参数数目减少了12%, 检测速度提高了22%, 平均精度达到了94.2%, 易于部署且能满足实际自动驾驶场景中对识别交通标志的速度和准确度要求.     

基于YOLOv5的交通标志识别

交通标志识别是自动驾驶技术中的关键一部分.针对交通标志在道路场景中目标较小且识别精度较低的问题,提出一种改进的YOLOv5算法.首先在YOLOv5模型中引入全局注意力机制(GAM),提高网络捕获不同尺度交通标志特征的能力;其次将YOLOv5算法中使用的GIoU损失函数更换为更具回归特性的CIoU损失函数来优化模型,提高对交通标志的识别精度.最后在Tsinghua-Tencent 100K数据集上进行训练,实验结果表明,改进后的YOLOv5算法对交通标志识别的平均精度均值为93.00%,相比于原算法提升了5.72%,具有更好的识别性能.     

改进YOLOv5的小目标交通标志实时检测算法

在真实场景下准确实时检测小目标交通标志对自动驾驶有重要意义,针对YOLOv5算法检测小目标交通标志精度低的问题,提出一种基于改进YOLOv5的小目标交通标志实时检测算法。借鉴跨阶段局部网络思想,在YOLOv5的空间金字塔池化上设置新的梯度路径,强化特征提取能力;在颈部特征融合中增设深、浅卷积特征的可学习自适应权重,更好地融合深层语义和浅层细节特征,提高小目标交通标志的检测精度。为验证所提算法的优越性,在TT100K交通标志数据集上进行了实验验证。实验结果表明所提算法在小目标交通标志上的平均精度均值（mean average precision,mAP）为77.3%,比原始YOLOv5提升了5.4个百分点,同时也优于SSD、RetinaNet、YOLOX、SwinTransformer等算法的检测结果。所提算法的运行速度为46.2 frame/s,满足检测实时性的要求。     

基于YOLOv5的雾霾天气下交通标志识别模型

针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题,提出一种基于YOLOv5的雾霾天气下交通标志识别模型。首先,对YOLOv5的结构进行优化,采用逆向思维,通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别的问题,并通过调整残差模块的特征传递深度来抑制背景特征的重复叠加;其次,引入数据增强、K-means先验框、全局非极大值抑制（GNMS）等机制到模型;最后,在中国交通标志数据集TT100K上验证改进YOLOv5模型在面对恶劣天气时的检测能力,并对精度下降最显著的雾霾天气下的交通标志识别展开了重点研究。实验结果表明,改进YOLOv5模型的F1-score达0.921 50,平均精度均值@0.5 （mAP@0.5）达95.3%,平均精度均值@0.5：0.95 （mAP@0.5：0.95）达75.2%,且所提模型在恶劣天气下仍能进行交通标志的高精度识别,每秒检测帧数（FPS）达到50,满足实时检测的需求。     

改进YOLOv7的交通标志检测算法

自动驾驶技术的快速发展,导致对交通标志检测技术的要求日益提高.为解决YOLOv7算法在识别小目标时误检、漏检等问题,本文提出一种基于注意力机制的交通标志检测模型YOLOv7-PC.首先通过K-means++聚类算法对交通标志数据集进行聚类,获得适用于检测交通标志的锚框;其次在YOLOv7主干特征提取网络中引入坐标注意力机制,将交通标志的横向和纵向信息嵌入到通道中,使生成的特征信息具有交通标志的坐标信息,加强有效特征的提取;最后在加强特征提取网络中引入空洞空间金字塔池化,捕获交通标志多尺度上下文信息,在保证交通标志小目标分辨率的同时,进一步扩大卷积的感受野.在中国交通标志检测数据集(CCTSDB)上的实验表明,本文算法增强了识别小目标的能力,相较于YOLOv7模型,本文算法的m AP、召回率平均分别提高了5.22%、9.01%,是一种有效的交通标志检测算法.     

基于改进YOLOv5的昏暗小目标交通标志识别

为了实时检测并识别路上的交通标志,针对在不良光照情况影响下小型交通标志的识别精确度较低、误检、漏检严重的问题,提出了一种基于改进YOLOv5的交通标志识别模型.首先在YOLOv5模型的浅层特征图层增加一次concat操作,将浅层的特征信息结合中间特征图层作为一个检测头,有利于小目标交通标志的识别效率.其次将坐标注意力机制添加到YOLOv5模型中,从而提高特征提取的效率.对中国交通标志数据集TT100K进行数据扩充和暗光增强的操作,最后在经过预处理的TT100K数据集上验证本文改进的模型检测效果.实验结果表明本文改进的模型对小目标及昏暗情况的交通标志识别效率有很大的提升.本文改进的YOLOv5模型与最初的YOLOv5模型均在扩充后的数据集上进行训练后的结果相比,在准确率上提升了1.5%,达到了93.4%;召回率提升了6.8%,达到了92.3%; mAP值提高了5.2%,达到了96.2%.     

智能车交通标志的改进YOLOv5识别算法

在硬件平台受限条件下，为提高智能车的性能，权衡实时识别交通标志的精度和速度，在YOLOv5的基础上，提出了针对嵌入式边缘设备的智能车交通标志识别的YOLOv5s_ghost_bi_sa算法。使用GhostConv替代部分普通卷积，在减少卷积结构参数的同时提高网络的拟合能力；添加置换注意力机制(Shuffle Attention, SE)，在空间注意力与通道注意力的基础上加入了特征分组与通道置换，提高对小目标的关注度；采用加权双向特征金字塔网络结构，加强特征融合。由华为ModelArts平台协同Hilens_kit设备收集制作数据集，实验结果表明:针对数据集大图像中的小目标采用双向跨尺度连接，将表层特征与深层特征融合配合注意力机制增加重要特征的权重，从而提高算法对于小目标检测的精度，YOLOv5s_ghost_bi_sa算法的mAP0.5达到98.8%，召回率达到0.979%，模型大小仅为11.6MB，Hilens_kit平台上预测速度为62帧/秒。在相同的测试环境下与原YOLOv5s算法相比，精度高出0.8%，浮点运算量下降58%，模型体积压缩4.6倍，预测速度提升2.7倍。YOLOv5s_ghost_bi_sa算法可以有效地实现智能车交通标志的实时识别。     

基于新型算子采样优化的交通标志检测网络

传统基于卷积神经网络的交通标志检测网络采用堆叠大量卷积核的方式进行下采样,限制了卷积神经网络的感受野建模,难以灵活地调整内部参数,从而丢失图像的细节信息,导致小目标与遮挡目标的检测精度与定位精度降低。提出基于YOLOv5采样优化的交通标志检测网络。以新型算子作为基础架构,采用自卷积方式灵活提取不同通道的特征,并构建跨阶段注意力机制模块,以增加各通道特征的重要性权值,从而提高小目标的检测能力。通过改进的通道聚合网络实现多尺度语义信息与细节特征的融合与增强,同时利用K-means聚类算法生成更适合交通标志的先验框,在非极大值抑制算法中引入距离交并比函数对预测框进行后处理,避免错误抑制复杂场景下被遮挡的目标,从而提高定位精度。在中国交通标志数据集上的实验结果表明,当交并比阈值为0.5时,该网络的平均精度均值为95.8%,与YOLOv5网络相比模型参数量减少了15.7%,在满足实时性的同时具有较优的小目标检测性能。     

基于计算机DCGAN数据增强的YOLOv5光伏电池板热斑检测方法

针对光伏电站巡检过程中,光伏电池板热斑样本少,现有目标识别算法检测精度低的问题,提出一种将深度卷积对抗生成网络DCGAN与YOLOv5目标识别算法相结合的光伏电池板热斑检测方法。该方法通过搭建DCGAN网络进行数据增强,改进YOLOv5网络的数据增强模块,获得数量更充足、特征更丰富的训练数据。对原始图像、常规数据增强和DCGAN数据增强的数据集在YOLOv5网络中进行训练,并对检测模型的精度进行对比。实验结果表明,与常规YOLOv5目标识别模型相比,本文采用DCGAN网络提高了数据集的图像质量,减少因样本过少而引起的训练不充分和热斑检测精度低的问题,平均精度较常规模型提高1.72%。该方法有助于提高光伏电站巡检效率,保障太阳能电池组件正常运行。     

一种融合注意力机制与上下文信息的交通标志检测方法

针对当前交通标志检测中存在小目标检测精度低、检测实时性不高以及目标漏检等问题,在YOLOv3基础上提出了一种融合了注意力机制与上下文信息的交通标志检测方法。首先通过改进通道注意力机制的压缩方式,对特征图通道重新进行标定;然后引入空间金字塔池化模块SPP;最后增加特征映射并拼接到原特征融合网络中的小目标部分,充分利用上下文信息增强对小目标的检测。实验结果表TT100K(Tsinghua-Tencent 100K)交通标志数据集上,与YOLOv3网络相比,在每秒传输帧数(Frame Per Second,FPS)变化不大的情况下,平均精度均值和小目标的精度均值分别提升3.03%和4.59%。实验结果证明了改进网络在小目标检测和整体检测中的有效性。     

轻量级YOLOv3的交通标志检测算法

交通标志检测在自动驾驶领域一直是个比较热门的课题。在深度学习算法中,YOLOv3和Faster R-CNN已经获得了极好的目标检测性能,但在检测小目标时,存在漏检的情况。针对交通标志检测中小目标准确快速识别的需求,本文提出一种轻量级YOLOv3的交通标志检测算法。通过卷积神经网络同时使用浅层和深层的特征提取,得到多尺度特征图,深层特征可以有效地保持检测精度不下降,浅层特征可以有效地提高小目标检测任务的精度。通过剪枝算法对模型进行压缩,将训练好的模型进行稀疏训练,把一些不重要的卷积核通道删除掉,对剪枝后的模型微调,保持模型文件中参数的平衡,同时保持检测精度。实验结果表明,通过提取多尺度特征图的方法模型准确率提高了2.3%,通过剪枝算法对模型压缩,使模型的权重大小减小了70%,模型的检测时间节省了90%。由此建立了鲁棒性更强的轻量级交通标志检测模型,可以部署在移动端嵌入式设备上,不再占用庞大的GPU计算资源即可提高检测效率。     

基于改进的YOLO算法的交通标志识别

为了解决交通标志识别易受光照、遮挡和小目标影响的问题，对YOLOv5-P6算法进行改进，提出了一种新的交通标志识别算法。算法采用加权双向特征金字塔网络，提高特征提取能力，增加了跨层连接并对传递的特征进行权重调整，更好地融合道路交通标志的通道特征；使用空洞空间池化金字塔模块提取多尺度上下文信息，进一步增大感受野从而改善语义分割的效果；引入改进的跨阶段局部网络，使模块更加简洁；在训练过程中加入随机裁剪技术，并采用图像缩放、图像切变以及代数运算对检测效果不理想的类别进行实例扩充，缓解模型的过拟合问题。在TT100K数据集上应用本算法，识别精度达到90.02%,与传统的YOLOv5模型相比提高了4.72%,帧处理速率达到36.07FPS。     

改进YOLOv3的交通标志检测方法研究

针对我国自动驾驶的辅助识别交通标志误差率大、检测速度慢、需人工参与等问题,提出一种基于改进YOLOv3的交通标志检测识别方法。通过改进Darknet53网络结构来减少网络迭代过程中前向推理计算,提升网络迭代速度。引入目标检测的直接评价指标GIoU指导定位任务来提高检测精度。使用[k]-means++聚类算法获取anchor尺寸并匹配到对应的特征层。实验结果表明,提出的方法相较于原始YOLOv3在标准数据集Lisa上的平均精度提升了8%,检测速度达到了76.9 f/s;在自制数据集CQ-data上平均精度可达94.8%,与传统识别以及其他算法相比,不仅具有更好的实时性、准确性,对各种环境变化具有更好的鲁棒性,而且可以识别多种交通标志的类型。     

融合SPP和改进FPN的YOLOv3交通标志检测

针对交通标志目标检测尺寸较小、分辨率低、特征不明显问题,提出一种改进的YOLOv3网络模型。在利用颜色增强方法对交通标志进行数据增强后,改进原网络中的FPN结构,保留原网络中52×52的大尺度预测,然后利用YOLOv3网络中第二次下采样输出的特征图建立108×108的更大尺度预测。为了解决图像尺寸和失真的问题,在检测层前使用固定分块大小为5、9、13的池化操作,再将输出的特征与原来的特征图进行融合,从而实现对不同尺寸的输入得到相同大小的输出。最后,利用K-means聚类算法对TT100K交通标志数据集进行聚类分析,重新定义网络的初始候选框,使用YOLOv3网络模型和改进的YOLOv3网络模型以及其他小目标检测算法在TT100K数据集上进行对比实验。实验结果表明,改进后的YOLOv3网络模型能更有效的检测交通标志,其检测的平均精确度在三个尺度下相对原YOLOv3网络模型分别提升8.3%、6.1%、4.3%,在FPS变化不大的情况下,召回率和准确率都有明显提升,同时,改进后的YOLOv3算法相对其他小目标检测算法具有更好的检测精度和实时性。     

基于SD-YOLOv5s-4L的煤矿井下无人驾驶电机车多目标检测

为解决煤矿井下无人驾驶电机车由于光照不均、高噪声等复杂环境因素导致的多目标检测精度低及小目标识别困难问题,提出一种基于SD-YOLOv5s-4L的煤矿井下无人驾驶电机车多目标检测模型。在YOLOv5s基础上进行以下改进,构建SD-YOLOv5s-4L网络模型：引入SIoU损失函数来解决真实框与预测框方向不匹配的问题,使得模型可以更好地学习目标的位置信息;在YOLOv5s头部引入解耦头,增强网络模型的特征融合与定位准确性,使得模型可以快速捕捉目标的多尺度特征;引入小目标检测层,将原三尺度检测层增至4层,以增强模型对小目标的特征提取能力和检测精度。在矿井电机车多目标检测数据集上进行实验,结果表明：SD-YOLOv5s-4L网络模型对各类目标的平均精度均值（m AP）为97.9%,对小目标的平均检测精度（AP）为98.9%,较YOLOv5s网络模型分别提升了5.2%与9.8%;与YOLOv7, YOLOv8等其他网络模型相比,SD-YOLOv5s-4L网络模型综合检测性能最佳,可为实现矿井电机车无人驾驶提供技术支撑。     

改进YOLOv5s的铁路异物入侵检测算法

行人、车辆等异物侵入铁路界线,严重威胁行人安全和铁路交通安全.针对传统铁路异物入侵检测方法精度低、时效性差等问题,提出改进YOLOv5s算法的铁路异物入侵检测模型SD-YOLO.本文提出SSA混合注意力机制,加强模型的局部表征能力,提高小目标识别效果;提出DW-Decoupled Head解耦检测头,加快网络收敛速度;引入边界框回归损失函数SIoU,提高了模型的检测精度;使用转置卷积作为采样方法,采样更适合铁路侵限障碍物特征的尺寸和比例.在数据集RS和Pascal VOC 2012进行实验验证,与基线YOLOv5s算法相比,平均精度mAP@0.5分别提高了2.7%、1.8%,mAP@.5:.95分别提高了2.9%、2.1%,检测速度分别达到79 FPS和78 FPS,表明该算法在检测精度和速度上均取得良好的性能,有效改善了漏检、误检问题,提高了小目标识别能力.     

FS-YOLOv5：轻量化红外目标检测方法

针对传统目标识别算法复杂场景下的道路目标识别精度低、实时性差、小目标检测难度大等问题，提出了基于红外场景下FS-YOLOv5轻量化模型。采用单阶段目标检测网络YOLOv5s作为基础网络，提出了一种新的FSMobileNetV3网络代替原网络中的CSPDarknet主干网络来提取特征图像；在原网络CIoU损失函数的基础上引入Power变换，替换为α-CIoU，提高网络对小目标的检测能力；将K-means++聚类算法应用在FLIR红外数据集上重新生成Anchor，最后利用DIoU-NMS替换原网络的NMS后处理方法，改善对遮挡物体的检测能力，降低了模型的漏检率。通过在FLIR红外数据集上的消融实验验证了FS-YOLOv5轻量化算法满足红外场景下的道路目标检测任务，与原网络相比，在平均精度仅降低0.37个百分点的前提下，FS-YOLOv5模型的大小减少了26%，参数量减少了29%，检测速度提升了11 FPS，满足了在不同场景下移动端部署的需求。     

改进YOLOv5的交通标志检测算法

交通标志检测在自动驾驶、辅助驾驶等智能交通系统已得到广泛应用，其检测性能关乎到行车安全。针对现有目标检测算法对图像中尺寸小、分辨率低和特征不明显的交通标志检测效果较差的问题，提出了一种基于改进YOLOv5s的交通标志检测算法。将原算法中80×80小感受野目标检测层改为感受野更小的160×160检测层，提高网络模型对交通标志小目标的检测能力，降低小目标的漏检率；构建了注意力上下文模块（attention context module,ACM），对各分支获取不同的感受野，得到目标及其相邻区域的特征信息，并且使用注意力机制，让网络更关注于图像中的交通标志，避免受其他复杂信息的影响；加入特征融合模块（feature fusion module,FFM），过滤不同层上的无用信息，只保留对模型检测交通标志有用的信息；加入隐性知识，对检测层进行输出细化。实验结果表明，改进后的算法在CCTSDB交通标志检测数据集上召回率和平均精度达到94.7%、97.6%，相比原模型均有提升，在中远距离小目标检测下效果改善明显，同时检测速度为47.3 FPS，满足实时性要求。     

基于改进YOLOv2算法的交通标志检测

针对YOLOv2算法实际检测到的小尺寸交通标志质量不佳, 识别率低, 实时性差的问题, 提出一种基于改进YOLOv2的交通标志检测方法. 首先, 通过直方图均衡化、BM3D对图像增强以获取高质量图像; 接着, 将网络顶层卷积层输出的特征图进行精细划分, 得到高细粒度的特征图, 以检测高质量、小尺寸的交通标志; 最后, 采用归一化及优化置信度评分比例对损失函数进行改进. 在结合CCTSD (中国交通标志检测数据集)和TT100K数据集的新数据集上进行实验, 与YOLOv2网络模型相比, 经过改进后的网络识别率提高了8.7%, 同时模型的识别速度提高了15 FPS. 实验结果表明: 所提方法能够对小尺寸交通标志进行精准检测.