基于注意力机制的轻量YOLOv5识别定位算法

摘要

为解决医疗看护环境下桌面生活物品检测效果不佳、定位误差较大的问题，提出一种基于YOLOv5的改进模型。首先，在主干网络末端使用坐标注意力(coordinate attention, CA)机制，使算法能够捕获跨通道、跨方向和位置的信息，提高算法的识别精度；然后，引入GhostConv卷积减少模型参数量，使模型更加轻量化，提高检测速度；最后，使用SIoU替换原算法的定位损失函数，使定位损失计算考虑到真实框与预测框的方向差异，有助于提升模型的稳定性。在COCO数据集部分物品种类上进行多次对比实验，结果表明，与原算法相比较，改进算法的精确率和召回率分别提高了4.1%和1.3%,在交并比为0%～50%和50%～90%时的均值平均精度分别提高了2.7%和3.9%,参数量减少了16.9%,每秒传输帧数提高了0.47帧，平均定位误差在X轴方向上减小了0.29 mm、在Y轴方向上减小了0.14 mm。

关键词

YOLOv5 / GhostConv卷积 / 注意力机制 / 损失函数 / 目标识别