交通标志检测是自动驾驶系统、辅助驾驶系统(DAS)的重要组成部分,对行车安全具有重要意义。针对小目标交通标志检测时受光照、恶劣天气等因素影响而导致的检测精度低、漏检率高等问题,提出一种基于改进YOLOv5的小目标交通标志检测算法...交通标志检测是自动驾驶系统、辅助驾驶系统(DAS)的重要组成部分,对行车安全具有重要意义。针对小目标交通标志检测时受光照、恶劣天气等因素影响而导致的检测精度低、漏检率高等问题,提出一种基于改进YOLOv5的小目标交通标志检测算法。首先,引入空间到深度卷积(SPD-Conv)对特征图进行下采样,有效避免小目标信息丢失,提高小目标敏感度。其次,基于加权双向特征金字塔网络(BiFPN)改进颈部网络,添加跨层连接以融合多尺度特征。之后,增加小目标检测层,增强小目标检测能力。最后,采用SIoU(Shape-aware Intersection over Union)损失函数,关注真实框与预测框的角度信息。实验结果表明,改进后的算法在中国交通标志检测数据集(CCTSDB2021)上的平均精度均值(mAP)达到83.5%,相较于原YOLOv5提升了7.2个百分点,检测速度满足实时性要求。展开更多
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
文摘交通标志检测是自动驾驶系统、辅助驾驶系统(DAS)的重要组成部分,对行车安全具有重要意义。针对小目标交通标志检测时受光照、恶劣天气等因素影响而导致的检测精度低、漏检率高等问题,提出一种基于改进YOLOv5的小目标交通标志检测算法。首先,引入空间到深度卷积(SPD-Conv)对特征图进行下采样,有效避免小目标信息丢失,提高小目标敏感度。其次,基于加权双向特征金字塔网络(BiFPN)改进颈部网络,添加跨层连接以融合多尺度特征。之后,增加小目标检测层,增强小目标检测能力。最后,采用SIoU(Shape-aware Intersection over Union)损失函数,关注真实框与预测框的角度信息。实验结果表明,改进后的算法在中国交通标志检测数据集(CCTSDB2021)上的平均精度均值(mAP)达到83.5%,相较于原YOLOv5提升了7.2个百分点,检测速度满足实时性要求。
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。
