研究一种基于改进的注意力和功能融合的车辆和行人检测算法
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming, China.
Mathematical biosciences and engineering : MBE
|June 14, 2024
概括
这项研究增强了YOLOv5s用于准确的道路物体检测,改进了自动驾驶系统. 新的算法在复杂的数据集上实现了高精度,同时保持了实时性能.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 智能运输系统 智能运输系统
背景情况:
- 准确的道路物体检测对于自动驾驶至关重要.
- 挑战包括复杂的背景,尺度变化和闭塞.
- 现有的方法需要改进,以适应现实世界的场景.
研究的目的:
- 提出一个增强的YOLOv5s算法,用于强大的道路目标检测.
- 在复杂的交通环境中提高准确性和适应性.
- 为了确保自动驾驶应用程序的实时性能.
主要方法:
- 引入加权增强极化自我注意力 (WEPSA) 来增强功能.
- 设计了一个加权特征融合网络 (CBiFPN) 以改善部表示.
- 利用EIoU损失函数来实现更快的收和减少错误.
主要成果:
- 在KITTI上实现了92.8%的mAP@0.5,在城市景观上达到53.5%.
- 在自建数据集上达到88.7%的mAP@0.5,超过YOLOv5s.
- 与YOLOv7和YOLOv8.8相比,已经证明了竞争性表现.
结论:
- 增强的YOLOv5s算法显著提高了道路物体检测的准确性.
- 提出的方法有效地处理复杂的场景和阻塞.
- 该算法为实时自动驾驶感知提供了一个有希望的解决方案.
