计算机工程

作者：胡倩, 皮建勇, 胡伟超, 黄昆, 王娟敏

单位：1. 贵州大学公共大数据国家重点实验室, 贵州 贵阳 5500252. 贵州大学计算机科学与技术学院, 贵州 贵阳 550025

关键词：密集行人检测,小目标行人检测,Conv-SPD网络,双层渐进特征金字塔网络,EfficiCIoU_Loss损失函数

基金：贵州省科技支撑计划(黔科合支撑[2023]一般430)

针对现有的行人检测方法对于密集行人或小目标行人检测精度低的问题, 提出一种基于YOLOv5的综合改进算法模型YOLOv5_Conv-SPD_DAFPN。首先, 针对小目标或密集行人的特征信息易丢失这一问题, 在骨干网络中引入Conv-SPD网络模块替代原有的跨步卷积, 有效缓解特征信息丢失的问题; 其次, 针对非相邻特征图不直接融合从而引起特征融合率较低的问题, 提出新的双层渐进金字塔网络(DAFPN), 提高行人检测的准确性和精度; 最后, 基于EIoU_Loss和CIoU_Loss引入EfficiCIoU_Loss定位损失函数, 以调整和提高帧回归率, 促进网络模型更快收敛。模型在CrowdHuman和WiderPerson行人数据集上相比于原YOLOv5模型, mAP@0.5、mAP@0.5∶0.95分别提升了3.9、5.3百分点和2.1、2.1百分点; 引入EfficiCIoU_Loss后, 模型收敛速度分别提升了11%、33%。这些改进使得基于YOLOv5的密集行人检测在特征信息保留、多尺度融合和损失函数优化等方面都取得了显著进展, 提高了其在实际应用中的性能和效率。

来源：2025年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第3期