基于深度神经网络的道路多目标检测方法研究

摘要

为解决现有道路目标检测算法存在的检测精度低、目标ID切换频繁和终端部署受限等问题，提出一种基于深度神经网络的道路多目标检测算法。检测阶段，在YOLOv5s主干网络融入Ghost卷积减少计算量，引入SimAM(Simple Attention Module)注意力机制提升复杂环境中小目标的感知能力，采用Focal EIoU损失函数替换原网络中的CIoU提升收敛速度，并采用柔性非极大值抑制(Soft Non-Maximum Suppression, Soft-NMS)替换传统非极大值抑制(NMS)解决目标遮挡与漏检问题，最后通过LabelImg构建本地车辆-行人检测数据集来训练网络，提高模型的泛化能力。将优化模型部署到Jetson Nano开发板并搭载实车进行验证，结果表明，改进后的YOLOv5s在参数量减少47.4%的基础上，交并比阈值设定为0.5时目标检测模型的平均精度提高2.7%,处理速度提升8.3%。

关键词

智能驾驶 / 道路多目标检测 / 深度神经网络 / YOLOv5s / 模型轻量化