在自动驾驶场景中,针对复杂背景对车辆和行人检测目标影响大、小目标检测精度不高的问题,提出一种基于内容感知重组特征和自适应融合的YOLOv5(content-aware reassembly of feature and adaptive fusion YOLOv5,CRAF-YOLOv5)车辆及行人...在自动驾驶场景中,针对复杂背景对车辆和行人检测目标影响大、小目标检测精度不高的问题,提出一种基于内容感知重组特征和自适应融合的YOLOv5(content-aware reassembly of feature and adaptive fusion YOLOv5,CRAF-YOLOv5)车辆及行人检测算法。通过引入通道注意力机制形成多通道特征提取网络,增强复杂背景下目标特征的提取性能;在特征融合前段,通过内容感知重组特征进行上采样,并添加基于跳跃连接结构,强化浅层网络对小目标特征的表征能力;在特征融合后段,采用自适应权重融合方式学习不同尺度特征,实现深层和浅层特征的动态学习和深度融合。实验结果表明,该算法在BDD100K和KITTI数据集上车辆行人目标检测平均均值精度分别达到84.40%和93.35%,较YOLOv5基准算法分别提高了3.90%和0.45%。展开更多
针对输电线路耐张线夹X射线数字成像(X-ray digital radiography, X-DR)图像检测效率较低,且人工识别易受主观因素影响的问题,提出一种基于YOLO-ISC的输电线路耐张线夹压接缺陷检测方法。首先,在YOLOv8的主干网络中引入注意力特征融合(i...针对输电线路耐张线夹X射线数字成像(X-ray digital radiography, X-DR)图像检测效率较低,且人工识别易受主观因素影响的问题,提出一种基于YOLO-ISC的输电线路耐张线夹压接缺陷检测方法。首先,在YOLOv8的主干网络中引入注意力特征融合(iterative attention feature fusion, iAFF)模块,通过逐层融合不同尺度的特征减少信息的丢失;其次,采用SimAM注意力机制、内容感知特征重组算子(content-aware reassembly of features, CARAFE)构建融合网络PANet-SC,增强了缺陷特征的表达能力;最后,将融合后的特征输入检测头YOLO Head进行分类预测。实验结果表明,所用YOLO-ISC模型在检测耐张线夹X-DR图像的平均检测精度(mean average precision, mAP)值达到92.49%,检测速度为23帧/s。针对某类缺陷检测精度不足的问题,讨论模型置信度阈值对实际检测结果的影响,降低模型的误检率。将检测结果与SSD、Faster RCNN、DETR、YOLOv8等算法进行比较,验证所用方法的有效性。展开更多
文摘在自动驾驶场景中,针对复杂背景对车辆和行人检测目标影响大、小目标检测精度不高的问题,提出一种基于内容感知重组特征和自适应融合的YOLOv5(content-aware reassembly of feature and adaptive fusion YOLOv5,CRAF-YOLOv5)车辆及行人检测算法。通过引入通道注意力机制形成多通道特征提取网络,增强复杂背景下目标特征的提取性能;在特征融合前段,通过内容感知重组特征进行上采样,并添加基于跳跃连接结构,强化浅层网络对小目标特征的表征能力;在特征融合后段,采用自适应权重融合方式学习不同尺度特征,实现深层和浅层特征的动态学习和深度融合。实验结果表明,该算法在BDD100K和KITTI数据集上车辆行人目标检测平均均值精度分别达到84.40%和93.35%,较YOLOv5基准算法分别提高了3.90%和0.45%。
