交通标志辅助识别技术在自动驾驶体系中越发重要,由于不同的硬件设备承载力不同,使模型更轻量化的同时保持性能不变或更好成为当下各单位和企业的研究方向之一。为了使模型更轻量化的同时提升模型识别效果和检测速度,提出一种基于SWimAM...交通标志辅助识别技术在自动驾驶体系中越发重要,由于不同的硬件设备承载力不同,使模型更轻量化的同时保持性能不变或更好成为当下各单位和企业的研究方向之一。为了使模型更轻量化的同时提升模型识别效果和检测速度,提出一种基于SWimAM(a simple,parameter-free attention module add weight part for convolutional neural networks)设计YOLOv5(you only look once version 5)的轻量化交通标志检测方法。该方法基于SimAM机制加入可迭代学习权重改变内部权重的计算方式提出SWimAM模块,并将YOLOv5的backbone结构中的C3层替换成该模块,将head部分融合SE(squeeze-and-excitation networks)注意力机制的同时把损失函数替换为SIoU(soft intersection over union)强化了模型的检测精度减少了梯度的不稳定性。提出一种滤波拼接的数据增强方法扩充了TT100K交通标志数据集,解决了部分标签不均匀的问题。改进的YOLOv5s网络的在TT100K上识别平均精度提升2.5%、检测速度提升7.33%、计算复杂度下降3.07%、参数量下降9.27%。在中国交通标志检测数据集CCTSDB中和德国交通GTSDB数据集中平均精度分别达到94.9%和94.7%,验证了该模型具有良好的泛化性。展开更多
文摘交通标志辅助识别技术在自动驾驶体系中越发重要,由于不同的硬件设备承载力不同,使模型更轻量化的同时保持性能不变或更好成为当下各单位和企业的研究方向之一。为了使模型更轻量化的同时提升模型识别效果和检测速度,提出一种基于SWimAM(a simple,parameter-free attention module add weight part for convolutional neural networks)设计YOLOv5(you only look once version 5)的轻量化交通标志检测方法。该方法基于SimAM机制加入可迭代学习权重改变内部权重的计算方式提出SWimAM模块,并将YOLOv5的backbone结构中的C3层替换成该模块,将head部分融合SE(squeeze-and-excitation networks)注意力机制的同时把损失函数替换为SIoU(soft intersection over union)强化了模型的检测精度减少了梯度的不稳定性。提出一种滤波拼接的数据增强方法扩充了TT100K交通标志数据集,解决了部分标签不均匀的问题。改进的YOLOv5s网络的在TT100K上识别平均精度提升2.5%、检测速度提升7.33%、计算复杂度下降3.07%、参数量下降9.27%。在中国交通标志检测数据集CCTSDB中和德国交通GTSDB数据集中平均精度分别达到94.9%和94.7%,验证了该模型具有良好的泛化性。
