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
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%。
