采用长距离依赖和多尺度表达的轻量化车辆检测

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。