计算机工程

作者：王翰文, 葛青, 朱宁可, 余鹏飞

单位：1. 云南大学信息学院, 云南 昆明 6505042. 昆明市公安交通管理信息应用中心, 云南 昆明 650000

关键词：深度学习,交通标志检测,YOLOv5网络,轻量化网络,全局与局部融合

基金：国家自然科学基金(62066046)

当前在自然场景下对中国交通标志进行检测时通常存在检测精度和检测速度不平衡的问题, 为此, 提出一种基于YOLOv5的改进算法。首先根据ShuffleNet V2网络的设计理念, 提出改进型轻量化卷积块来代替YOLOv5中的卷积块, 以减少网络整体的计算量和参数量; 其次提出一个扩大感受野的轻量化模块ASPC来代替原网络中的空间金字塔池化模块SPP, 从而降低网络计算量和参数量同时提升网络的检测精度; 最后把颈部特征融合网络中的上采样模块替换为CARAFE上采样算子, 并提出多尺度通道混洗注意力机制MCSA, 将其添加在CARAFE算子之后, 让网络融合全局与局部的特征信息, 更有效地减少颈部特征融合网络对交通标志特征信息的丢失。在自制的中国多类交通标志数据集CMTSD上进行实验, 结果表明, 改进后的算法模型大小相较于原模型减少了41%, 每秒检测帧数(FPS)提高了9.37, 平均检测识别精度mAP@0.5提升了2.91%, 达到94.76%。改进算法在不同的自然场景下均能达到较好的检测效果, 可以满足实际场景中对交通标志检测的需求。

来源：2024年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第11期