文献类型：期刊文章

作　　者：刘海斌[1] 张友兵[1] 周奎[1] 张宇丰[1] 吕圣[1]

LIU Haibin;ZHANG Youbing;ZHOU Kui;ZHANG Yufeng;LYU Sheng(Joint Laboratory of Sharing-X Mobile Service Technology,School of Automotive Engineers,Hubei University of Automotive Technology,Shiyan,Hubei 442000,China)

机构地区：[1]湖北汽车工业学院汽车工程师学院Sharing-X移动服务技术平台联合实验室,湖北十堰442000

出　　处：《计算机工程与应用》

基　　金：湖北省科技重大专项(2020AAA001);湖北省重点研发计划项目(2021BED004,2023BAB169)。

年　　份：2024

卷　　号：60

期　　号：5

起止页码：200-209

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CSCD、CSCD_E2023_2024、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在自动驾驶领域,现有的交通标志检测方法在检测复杂背景中的标志时存在着漏检或误检的问题,降低了智能汽车的可靠性。对此,提出了一种改进YOLOv5-S的实时交通标志检测算法。在特征提取网络中融合坐标注意力机制,通过构建目标的长范围依赖来捕获物体的位置感知,使得算法聚焦于重点的特征区域;引入Focal-EIoU损失函数来取代CIoU,使其更关注高质量的分类样本,提高对难分类样本的学习能力,减少漏检或者误检的问题;在网络中融合轻量级卷积技术GSConv,降低模型的计算量。增加新的小目标检测层,通过更丰富的特征信息提高小尺寸标志的检测效果。实验结果表明,改进方法的mAP@0.5和mAP@0.5:0.95分别为88.1%和68.5%,检测速度达到了83 FPS,能够满足实时可靠的检测需求。

关 键 词：交通标志检测 YOLOv5  坐标注意机制  Focal-EIoU  GSConv  

分 类 号：TP391.4]