科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统目标识别算法复杂场景下的道路目标识别精度低、实时性差、小目标检测难度大等问题，提出了基于红外场景下FS-YOLOv5轻量化模型。首先采用单阶段目标检测网络YOLOv5s作为基础网络，提出了一种新的FS-MobileNetV3网络代替原网络中的CSPDarknet主干网络来提取特征图像；其次，在原网络CIoU损失函数的基础上引入Power变换，替换为α-CIoU，提高网络对小目标的检测能力；然后将K-means++聚类算法应用在FLIR红外数据集上重新生成Anchor，最后利用DIoU-NMS替换原网络的NMS后处理方法，改善对遮挡物体的检测能力，降低了模型的漏检率。通过在FLIR红外数据集上的消融实验验证了FS-YOLOv5轻量化算法满足红外场景下的道路目标检测任务，与原网络相比，在平均精度仅降低0.37%的前提下，FS-YOLOv5模型的大小减少了26%，参数量减少了29%，检测速度提升了11FPS，满足了在不同场景下移动端部署的需求。
- 单位
