基于分离式标签协同学习的YOLOv5多属性分类

作     者：李鑫 孟乔 皇甫俊逸 孟令辰 LI Xin;MENG Qiao;HUANGFU Junyi;MENG Lingchen

作者机构：青海大学计算机技术与应用系西宁810016 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2024年第44卷第5期

页      面：1619-1628页

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：青海省自然科学基金资助项目(2023-ZJ-989Q) 

主　　题：多属性分类 深度学习 多特征融合 注意力 YOLOv5 

摘      要：针对图像分类任务中卷积网络提取图像细粒度特征能力不足、多属性之间的依赖关系无法识别的问题,提出一种基于YOLOv5的车辆多属性分类方法Multi-YOLOv5。该方法设计了多头非极大值抑制(Multi-NMS)和分离式标签损失(Separate-Loss)函数协同工作机制实现车辆的多属性分类任务,并采用卷积块注意力模块(CBAM)、SA(Shuffle Attention)和CoordConv方法重构了YOLOv5检测模型,分别从提升多属性特征能力提取、增强不同属性之间的关联关系、增强网络对位置信息的感知能力三方面提升模型对目标多属性分类的精准性。在VeRi等数据集上进行了训练与测试,实验结果表明,与基于GoogLeNet、残差网络(ResNet)、EfficientNet、ViT(Vision Transformer)等的网络结构相比,Multi-YOLOv5方法在目标的多属性分类方面取得了较好的识别结果,在VeRi数据集上,它的平均精度均值(mAP)达到了87.37%,较上述表现最佳的方法提高了4.47个百分点,且比原YOLOv5模型具有更好的鲁棒性,能为密集环境下的交通目标感知提供可靠的数据信息。