基于优化YOLOv5s的跌倒人物目标检测方法

作者：武历展; 王夏黎^*; 张倩; 王炜昊; 李超

来源：图学学报, 2022, 43(05): 791-802.

• 目标检测
• YOLOv5s
• MobileNetV3
• 轻量级注意力
• 多尺度特征融合
• 焦点损失函数

针对目标检测模型在人物跌倒时易漏检、鲁棒性和泛化能力差等问题，提出一种基于改进YOLOv5s的跌倒人物目标检测方法 YOLOv5s-FPD。首先，对Le2i跌倒数据集使用多种方式扩充后用于模型训练，增强模型鲁棒性和泛化能力；其次，使用MobileNetV3作为主干网络来进行特征提取，协调并平衡模型的轻量化和准确性关系；然后，利用BiFPN改善模型多尺度特征融合能力，提高了融合速度和效率，并使用CBAM轻量级注意力机制实现注意力对通道和空间的双重关注，增强了注意力机制对模型准确性地提升效果；最后，引入Focal Loss损失评价从而更注重挖掘困难样本特征，改善正负样本失衡的问题。实验结果表明，在Le2i跌倒数据集上YOLOv5s-FPD模型比原YOLOv5s模型，在精确度、F1分数、检测速度分别提高了2.91%,0.03和8.7 FPS，验证了该方法的有效性。