改进YOLOv7的道路多目标检测算法

摘要

道路环境感知是自动驾驶任务中的重要组成部分，为解决道路环境感知中小目标检测困难、检测目标尺寸不一致以及检测目标的遮挡给检测任务带来的困难，提出一种深度学习增强方法以提高目标检测性能。设计了Bottleneck-ELAN(bottleneck-efficient layer aggregation networks)模块作为主干，加强了模型的特征提取能力。使用Gather-and-Distribute(GD)机制实现了特征图之间跨尺度的直接融合，解决了颈部网络的信息丢失问题。此外，采用Complete-IOU(CIOU)和Normalized Wasserstein Distance(NWD)相结合的损失函数组，解决了单一IOU损失函数对不同尺度物体位移敏感性不一致和平滑性差的问题。结果表明，改进后的模型在BDD100K数据集上的平均精度均值达到了43.4%,相较于原始的YOLOv7算法提高了3.1%,并且在小目标检测中精度提升更为明显，达到10%。

关键词

计算机视觉 / 目标检测 / 深度学习 / YOLOv7算法