结合注意力机制的YOLOv5红绿灯检测算法_邓天民.pdf
《结合注意力机制的YOLOv5红绿灯检测算法_邓天民.pdf》由会员分享,可在线阅读,更多相关《结合注意力机制的YOLOv5红绿灯检测算法_邓天民.pdf(8页珍藏版)》请在咨信网上搜索。
1、 ()年 第 卷 第 期 收稿日期:基金项目:国家重点研发计划项目();重庆市技术创新与应用发展专项重点项目(-);川渝联合实施重点研发项目(-);重庆市教育委员会科学技术研究项目()作者简介:邓天民,男,博士,副教授,主要从事交通大数据、自动驾驶、交通控制研究,-:;通信作者 王春霞,女,硕士研究生,主要从事深度学习、交通环境感知研究,-:。本文引用格式:邓天民,王春霞,刘金凤,等 结合注意力机制的 红绿灯检测算法 重庆理工大学学报(自然科学),():,(),():()结合注意力机制的 红绿灯检测算法邓天民,王春霞,刘金凤,刘旭慧(重庆交通大学 交通运输学院,重庆 )摘要:针对现有交通灯算法
2、对小目标、遮挡目标检测识别效果不佳等问题,提出一种基于注意力与多尺度特征融合的 检测算法(-,-)。通过在残差结构中引入坐标注意力模块,提高对小目标的特征提取能力;设计四尺度检测层,通过引入更浅层特征改善对小尺度目标的检测性能,提高检测精度;针对引入注意力和检测层导致计算量增大、速度降低的问题,采用分布移位卷积替换部分主干卷积的方法,简化模型,提升速度。实验结果表明:该算法在 数据集上平均精度均值达到 ,相较于经典 算法,精度提升 ,速度达到 ,在复杂恶劣环境下的 数据集上,精度提升 ,速度达到 ,具有良好的检测效果,能较好地满足交通灯的实时检测。关键词:交通灯检测;注意力机制;多尺度检测;深
3、度学习中图分类号:文献标识码:文章编号:()引言交通信号灯的检测与识别对无人驾驶和辅助驾驶技术具有重要意义,能够为道路交通安全提供强有力的保障,通过对交通灯准确定位和类别识别,能够为行驶中的车辆提供交通信号灯信息,保障车辆行驶安全,减少交通事故发生。早期对交通灯的研究大多采用人工特征提取的传统检测识别方法,主要针对单一特征,但该方法只适合简单特定场景,复杂场景下目标检测精度差,效果不佳。针对传统检测识别的缺点,近年发展迅速的深度学习方法能对此进行有效解决。基于深度学习的目标检测算法分为 种,其一是两阶段算法,需要先生成候选区,再对候选区进行分类和回归,主 要 包 含 -、-、-。等 针对特征提
4、取问题,通过移除池化层,减少池化倍率的方法提高对小目标检测识别效果,改进后的算法相比原算法精度提升 .,但计算量大,难以保证检测的实时性。等 针对小目标漏检的问题,提出引入注意力模块对目标进行准确定位,实验结果表明,加入注意力机制的 -精度和速度在一定程度上都提升了。两阶段算法虽提升了检测精度,但运行速度慢,无法满足实时性要求,为了解决这一问题,学者们对另外的一阶段算法进行了探讨研究,一阶段算法主要包含 和 系列。钱弘毅等 针对检测场景复杂多变,目标小,难以检测等难点,提出一种基于深度学习的交通信号灯快速检测与识别算法,改进的 算法在 数据集上取得 的准确率。孙迎春等 针对交通灯漏检率高,召回
5、率低的问题,提出一种基于优化 算法的交通灯检测方法,改进后的模型较原模型精度提升 ,速度达到 。等 针对小目标检测敏感弱、平均精度低的问题,采用包围盒预测机制和高斯函数提高对小目标的定位和颜色分辨能力,改进后 的 较 原 算 法 提 高 了.,但精度相对较低。为了平衡精度和速度,达到两者都实现的目的,应运而生。由于 个版本中,模型复杂度较小,且在精度和速度上都具有较好的性能,因此本文选择以 为基础,针对小目标漏检、误检问题,结合位置信息与多 尺 度 检 测 提 出 了 精 准 定 位 识 别 的 -红绿灯检测算法,并在 和 数据集上进行实验,验证了该方法的可用性。本文方法-算法结构如图 所示。
6、该模型采用自适应缩放方法将图片大小调整统一,针对精准捕捉浅层特征难的问题,结合坐标注意力的特征提取网络对输入图片的丰富浅层特征进行更好的学习,提高特征提取能力;针对红绿灯大多为极小目标,检测效果差的问题,模型中引入四尺度检测层,通过特征融合浅层特征提高对极小目标的检测精度,由于引入注意力和多尺度,在精度提升的同时,增加了参数量,故利用分布移位卷积替换主干部分卷积,达到提升检测速度的目的。图 -算法结构 引入坐标注意力模块对于输入图像,红绿灯只占其极少部分像素,并极易受复杂背景的影响。由于卷积后产生的大量冗杂信息造成了图像中小目标的检测效果不佳,为了解决冗杂信息干扰问题,本文引入坐标注意力机制(
7、,),与 和 不同,坐标注意力不仅考虑通道间的关系还考虑了特征空间的位置信息,对于小目标而言,可以有效定位和识别感兴趣对象,进而提升检测的准确率。如图 所示,通过精确的位置信息对通道关系和长期依赖性进行编码,主要分为 个步骤:坐标信息嵌入和坐标注意力生成。对坐标信息嵌入来说,为促使注意力模块能够捕捉具有精确位置信息的远程空间交互,对给定输入的 ,实行全局池化分解转化为一对一维特征编码操作,获得一对方向感知特征图。图 注意力结构邓天民,等:结合注意力机制的 红绿灯检测算法对于坐标注意力生成来说,首先对坐标信息嵌入变换后得到的特征图进行拼接操作,然后使用 卷积变换函数对拼接后获取的特征信息进行转换
8、,得到中间特征图,并沿着空间维数分解成 个单独的张量,最后利用卷积变换将个单独张量转化为具有相同通道数的张量,进而输出 。注意力机制具有轻量和即插即用的特点,本文主要将 用于特征提取网络的残差部分,旨在对输入图片的丰富特征进行有效提取。将加入注意力后的残差和对残差进行特征学习的模块分别命名为 -残差结构、-结构,如图 所示。图 融合注意力模块结构 多尺度检测在原网络检测中,通过对特征图进行多尺度融合获取了 个不同尺度的检测层,分别对大、中、小目标进行检测识别。由于交通灯在图片中占据较小部分,导致出现小目标漏检的问题,为了增强对小目标的检测性能,增加一组更浅层的特征图用于预测目标,形成四尺度检测
9、,四尺度检测在提高检测精度的同时减少了交通灯的漏检情况。结构如图 所示。图 四尺度检测结构 分布移位卷积替换分析模型规模时发现,引入 注意力机制和增加检测层在提高精度和召回率的同时,也增加了参数量,使模型复杂程度加深,为解决这一问题,利用分布移位卷积()替换主干网络的部分标准正则卷积,在保证精度的同时,减少参数量,简化模型的复杂程度。是标准卷积的即插即用替代品,可直接用于任何卷积神经网络,如图 所示,卷积层将传统的卷积内核分解为 个组件:可变量化内核()和分布式移位。利用量化和分布移位来模拟卷积层的行为,首先通过在 中存储整数值来实现较低的存储器使用和较高的速度,然后通过应用基于内核和基于通道
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 结合 注意力 机制 YOLOv5 红绿灯 检测 算法 邓天民
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。