文献类型：期刊文章

作　　者：胡均平[1] 王鸿树[1] 戴小标[2] 高小林[3]

HU Junping;WANG Hongshu;DAI Xiaobiao;GAO Xiaolin(College of Mechanical and Electrical Engineering,Central South University,Changsha 410083,China;School of Mechanical and Energy Engineering,Shaoyang University,Shaoyang,Hunan 422000,China;Collaborative Innovation Centre,Jiangxi University of Technology,Nanchang 330098,China)

机构地区：[1]中南大学机电工程学院,长沙410083 [2]邵阳学院机械与能源工程学院,湖南邵阳422000 [3]江西科技学院协同创新中心,南昌330098

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(51175518);江西省教育厅科学技术研究项目(GJJ212006)。

年　　份：2023

卷　　号：59

期　　号：2

起止页码：185-193

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在真实场景下准确实时检测小目标交通标志对自动驾驶有重要意义,针对YOLOv5算法检测小目标交通标志精度低的问题,提出一种基于改进YOLOv5的小目标交通标志实时检测算法。借鉴跨阶段局部网络思想,在YOLOv5的空间金字塔池化上设置新的梯度路径,强化特征提取能力;在颈部特征融合中增设深、浅卷积特征的可学习自适应权重,更好地融合深层语义和浅层细节特征,提高小目标交通标志的检测精度。为验证所提算法的优越性,在TT100K交通标志数据集上进行了实验验证。实验结果表明所提算法在小目标交通标志上的平均精度均值(mean average precision,mAP)为77.3%,比原始YOLOv5提升了5.4个百分点,同时也优于SSD、RetinaNet、YOLOX、SwinTransformer等算法的检测结果。所提算法的运行速度为46.2 frame/s,满足检测实时性的要求。

关 键 词：交通标志检测 自适应特征融合  小目标  特征提取 YOLOv5  

分 类 号：TP391.4]