面向跌倒行人的MP-YOLOv5检测模型

作者：丰玉华; 魏怡; 刘力手; 丰圆丹; 李可

来源：重庆邮电大学学报(自然科学版), 2022, 1-10.

• 跌倒检测
• 多头自注意力
• 多尺度检测
• 改进的压缩和激励网络
• 软非极大值抑制

跌倒是高龄人群及复杂作业环境中工人死伤的重要因素，针对原始YOLOv5模型漏检、错检、小目标检测效果差等问题，提出一种MP-YOLOv5检测模型，自建跌倒行人数据集用于跌倒检测的研究。为增强Backbone的特征提取能力，设计了深度自注意力变换模块 （transformer C3，TRC3），运用多头自注意力（multi-head self-attention，MHSA）模型，拓展网络关注不同位置局部信息的能力，捕捉更丰富的上下文信息；针对原始模型feature map分辨率不足的问题，在YOLOv5原有的模型上增加一个prediction head用于小目标的检测，使模型更敏锐地识别小目标；为削弱复杂背景对网络特征提取的干扰，提出一种改进的压缩和激励网络（squeeze-and-excitation network，SENet），有助于网络更精确地关注跌倒姿态；引入软非极大值抑制（soft non-maximum suppression，Soft-NMS）替换YOLOv5原始的NMS降低了漏检率。结果显示，在不影响算法识别速度的情况下，MP-YOLOv5跌倒行人检测训练集mAP从97.62%提升至 98.87%，证明了MP-YOLOv5 模型相比未改进的YOLOv5模型更能满足行人跌倒检测的要求。

• 单位
  自动化学院; 湖北经济学院; 青岛工学院; 金融学院; 武汉理工大学