改进YOLOv5目标检测模型在城市街道场景中的应用

作者：杨浩; 陈斌

来源：计算机应用, 2023, 43(S2): 83-88.

DOI：10.11772/j.issn.1001-9081.2023010043

• 城市街道场景
• 小目标
• 密集目标
• YOLO
• 可变形卷积
• 注意力机制

针对城市街道场景中小目标和密集目标检测准确率不高的问题，提出一种改进的YOLOv5的目标检测模型——City-YOLO。首先利用可变形卷积和Focus模块设计了两种新的下采样模块，使骨干网络（Backbone）与Neck层提取特征信息更准确，同时融合了全局特征信息；其次增加一层检测特征层，增强小目标的检测能力；随后将二阶通道注意力机制引入检测特征层，使网络更加关注目标的重要特征，提升网络对密集遮挡目标的检测能力；最后使用Kmeans算法重新设计了先验框，并将它分配到相应的检测特征层。在CityScape数据集上，City-YOLO模型的均值平均精度mAP50与mAP50:95分别达到了54.3%和30.6%；相较于YOLOv5,mAP50与mAP50:95分别提升了5.8和4.0个百分点。实验结果表明，City-YOLO模型有效地实现了高精度城市街道场景目标检测。

• 单位
  哈尔滨工业大学; 中国科学院成都计算机应用研究所; 中国科学院大学; 哈尔滨工业大学（深圳）