摘要
近年来，汽车保有量持续增长，交通事故频发，交通负担逐渐增大，交通场景目标检测成为热门研究方向，成为避免交通事故的发生和流量规划的重要手段。交通场景目标检测模型在实际应用过程中，不仅对检测精度有一定的要求，同时由于车载嵌入式设备有限的计算资源，需要检测模型满足能够轻量化的需求。本文构建了基于YOLOv5s的交通场景目标检测方法，针对轻量化和提升检测精度两个方向对YOLOv5s模型进行改进，主要研究内容如下: 针对嵌入式设备存储空间有限、计算能力不强，交通场景目标检测模型网络体积和参数量较大而导致不能在资源较少平台部署的问题:引入轻量化模块GhostConv改进YOLOV5s中主干网络和颈部网络中的卷积核大小为3×3的卷积模块，在保证检测精度的情况下，降低模型的参数量。 针对YOLOv5s目标检测模型在交通场景下检测时存在漏检及检测精度不高的问题:首先在主干网络引入坐标注意力机制，帮助模型更好地关注通道相关性，获取更精准的位置信息，降低无用特征信息的干扰，从而改善密集场景下的漏检问题，提升检测精度;然后设计了一种轻量化解耦头G-DecoupledHead,解决了YOLOv5s模型因为头部的耦合结构导致的分类和回归任务存在一定的冲突的问题，在增加少量参数量的情况下，显著提升模型在交通场景下的检测精度。最后将YOLOv5s使用的CIoU(Complete-IntersectionoverUnion)定位损失函数替换为SIoU(SCYLLA-IntersectionoverUnion)损失函数，使得模型在CIoU损失函数的基础上增添了对预测框与真实框之间方向匹配问题的惩罚项，进而提升模型的收敛速度和检测精度。 实验表明，在KITTI数据集上，本文轻量化改进模型YOLOv5-GhostConv相较基准模型，mAP值提升0.9％,参数量下降46.1％;提升精度的改进模型YOLOv5-GDCS在基准模型的基础上，mAP值提升了2.9％,同时满足车载环境实时性的要求。
NETL