摘要 : 为解决交通道路小 目标检测难度大、精度低,容易出现错检漏检的问题,提出一种基于YOLO v5(you only look once v5)算法的多尺度特征融合目标检测改进算法.首先,增加小 目标检测头用于适应小 目标尺寸,缓解漏检情况.然后,引入可变形卷积网络v2(deforma... 展开 为解决交通道路小 目标检测难度大、精度低,容易出现错检漏检的问题,提出一种基于YOLO v5(you only look once v5)算法的多尺度特征融合目标检测改进算法.首先,增加小 目标检测头用于适应小 目标尺寸,缓解漏检情况.然后,引入可变形卷积网络v2(deformable convolutional networks V2,DCN V2)提高模型对运动中小目标的学习能力;同时,增加上下文增强模块,提升对远距离小 目标的识别能力.最后,在替换损失函数、提高边界框定位精度的同时,使用空间金字塔池化和上下文空间金字塔卷积分组模块,提高网络的感受野和特征表达能力.实验结果表明,所提算法在KITTI数据集小 目标类别上平均识别精度达到了 95.2％,相较于原始YOLO v5,算法总体平均识别精度提升了 2.7％,对小目标的检测效果更佳,平均识别精度提升了 3.1％,证明所提算法在道路小目标检测方面的有效性. 收起