检索结果-南通市图书馆

科学技术与工程 2024年第16期24卷 6757-6765页

作者：高昕甄国涌储成群王子硕中北大学仪器与电子学院太原030051

针对目前自动驾驶领域的目标检测算法在交通场景下的漏检目标,目标定位不精确、目标特征表达不充分及目标识别效果欠佳等问题,提出一种基于TPH-YOLOv5(transformer prediction heads-YOLOv5)的道路目标检测方法。首先为了减轻物体尺度... 详细信息

针对目前自动驾驶领域的目标检测算法在交通场景下的漏检目标,目标定位不精确、目标特征表达不充分及目标识别效果欠佳等问题,提出一种基于TPH-YOLOv5(transformer prediction heads-YOLOv5)的道路目标检测方法。首先为了减轻物体尺度急剧变化带来的漏检风险,增加了用于微小物体检测的检测头,为在高密度场景中精确定位对象,使用Transformer预测头来捕获全局信息;其次为了增强模型的特征表达能力,用选择性注意力机制(selective interactive module with affinity learning, SIMAM)模块对卷积层的输出进行加权;最后,为了提高目标识别的精度,网络颈部增加了4个金字塔池化模块(spatial pyramid pooling, SPP)块来进行多尺度融合,为了加快收敛速度和提高回归精度采用EIOU(Euclidean distance-IOU)作为边界框损失函数。通过消融、对比和可视化验证实验表明,提出的算法比YOLOv5在平均精度上提高了8.1%,漏检率明显减少,目标检测效果明显增强。

关键词：目标检测自动驾驶 YOLOv5 多尺度检测损失函数

来源：