采用长距离依赖和多尺度表达的轻量化车辆检测 |
| |
引用本文: | 荆修平,田莹.采用长距离依赖和多尺度表达的轻量化车辆检测[J].光学精密工程,2023(6):950-961. |
| |
作者姓名: | 荆修平 田莹 |
| |
作者单位: | 辽宁科技大学计算机与软件工程学院 |
| |
基金项目: | 国家自然科学基金资助项目(No.62072086); |
| |
摘 要: | 基于深度学习的车辆检测在众多领域发挥着至关重要的作用,是近年来计算机视觉的一个重要发展方向。车辆轻量化检测包含了对网络结构和计算效率的探索,并在智慧交通等诸多领域都得以广泛应用。然而在诸多场景下存在相机中车辆目标尺度变化大、车辆相互遮挡等问题,这些情况会影响到网络检测车辆的精度。针对上述问题,提出改进Yolov5s的车辆检测方法。首先通过视觉注意力网络捕获长距离依赖,对原有特征图施加新的权重,增强自适应性,提升网络的抗遮挡能力;接着在残差模块内部再次构造水平方向残差,在一个模块内部构建相同数量、不同大小感受野的特征图,丰富网络的多尺度表达能力。实验结果表明:改进后的网络在Pascal VOC车辆数据集上提供2.1%mAP性能提升,在MS COCO车辆数据集上提供1.7%mAP性能提升。改进后网络的多尺度表达能力更加出色,且抗遮挡能力更强,与原始网络相比检测结果更具有竞争力。
|
关 键 词: | 计算机视觉 车辆检测 轻量化网络 长距离依赖 多尺度表达 |
|