计算机工程

作者：高睿, 安国成, 邹丹平, 裴凌

单位：1. 上海交通大学电子信息与电气工程学院北斗导航与位置服务上海市重点实验室, 上海 2002402. 上海华讯网络系统有限公司行业数智事业部, 四川 成都 610074

关键词：YOLOv5,车辆检测,样本匹配,空间金字塔池化,半监督学习

基金：“十四五”国家重点研发计划(2023YFC3006700); 国家自然科学基金(62273229)

目前, 交通场景中的车辆检测存在目标尺度差异显著以及遮挡重叠严重等问题, 且对大规模数据进行完全标注需要较高的成本。针对以上情况, 提出一种基于改进YOLOv5的半监督车辆检测算法。引入SimOTA样本匹配方法, 优化次优匹配现象, 改善目标尺度形状变化导致的检测困难; 提出一种新的空间金字塔池化网络SPPFA, 通过引入LSKA, 在增大感受野的同时实现空间和通道的自适应性, 缓解大尺度目标和遮挡问题产生的影响; 将CIoU替换为SIoU, 优化回归损失函数。在此基础上, 提出一种改进的半监督深度学习算法, 通过优化损失函数设计, 增强算法学习未标注样本中有益信息的能力, 有效提高模型对车辆的检测精度。实验结果表明, 改进后的算法在自制车辆数据集上mAP@0.5指标达到了58.2%, 相较YOLOv5n基线模型提升了11.1百分点, 且模型体积远小于主流目标检测算法, 具有良好的工程应用前景。

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