面向小目标的自校正YOLOv5检测增强算法

来源：计算机技术与发展杂志2024年第10期北京时间：

作者：陈钧;周井泉*;张志鹏

摘要：为了解决汽车智能驾驶精度不够高、小目标漏检和误检的问题,提出了一种基于自校正卷积的 YOLOv5s 的道路目标检测算法。 该算法主要设计了一种自校正卷积网络,通过深层特征提取以及特征融合来提高检测精度以及对小目标的检测能力。 对自校正卷积网络进行轻量化处理,减少模型的大小以及训练过程中的参数量。 增加小目标校正检测层,输出检测小目标的特征图。 设计了 SAIoU 损失函数来代替目标框回归中的 CIoU 损失函数,加速目标框的回归。 在公开的自动驾驶 KITTI 数据集和 BDD100K 数据集上对该算法进行了测试,检测的平均精度均值( mAP) 分别可达到 95. 1% 和53.1% ,相比于 YOLOv5s 算法分别提高了 2. 1 百分点和 4. 2 百分点。 与其他算法进行对比实验,在检测精度和小目标检测能力上具有一定的优势,并且轻量化的自校正卷积网络在模型大小上相比于未进行轻量化处理的自校正卷积网络压缩了 35% ,提高了实时性。 结果表明该算法能够满足实时性,能够提升检测精度以及小目标检测能力。

关键词：智能驾驶;自校正卷积;YOLOv5s;轻量化;小目标检测