基于深度学习的道路小目标检测改进算法

摘要

针对现有道路目标检测技术在小目标识别方面的挑战，如精度低、误检率高和漏检问题，提出一种基于YOLOv5的目标检测改进方法(GCE-YOLOv5),旨在提高小目标检测能力。首先，在主干网络上集成全局注意力机制；其次，在头部网络中增加小目标检测层；最后，将原来的损失函数改为高效交并比损失函数。在KITTI数据集上评估了GCE-YOLOv5算法，并将性能与YOLOv5算法进行了比较。结果表明，GCE-YOLOv5将检测mAP@0.5提高了1.6%,P提高了1.5%。与YOLOv5算法相比，GCE-YOLOv5模型检测道路小目标的精度更高，有效改善了小目标漏检问题，具有更好的检测效果。模型检测速度满足实时性的要求，适合集成到自动驾驶系统中，用于提升车辆在复杂道路环境中的感知能力。

关键词

智能交通 / 小目标检测 / YOLOv5 / EIoU / GAM