改进YOLOv5的高精度跌倒检测算法

作者：朱胜豪; 钱承山; 阚希^*

来源：计算机工程与应用, 2023, 1-11.

• YOLOv5
• 跌倒检测
• C2D
• Swim Transformer Block
• 解耦结构

针对原始YOLOv5在人体跌倒检测任务中无法有效应对复杂细节捕捉、变形处理、不同尺度目标适应和遮挡检测的困境，提出了一种基于C2D改进YOLOv5模型的新型高精度跌倒检测算法C2D-YOLO。首先，提出了一种名为C2D的新型特征提取模块，通过融合可变形卷积、标准卷积和通道空间混合注意机制，将其添加到主干网络中，旨在增强特征表征能力、更好地捕捉复杂细节和处理变形。其次，在颈部网络中，采用了Swin Transformer Block替代C3模块的瓶颈层，旨在最大限度地保留特征信息，以提升对不同尺度目标的检测精度并改善遮挡情况下的性能。最后，在借鉴YOLOX解耦结构的基础上对Yolov5的Head模块进行改进，旨在优化分类和回归性能。实验结果表明，相比现有的YOLOv5s，该方法的mAP0.5和mAP0.5:0.95分别提高了3.2%和6.5%，明显提升了检测精度，减少了误检率。

• 出版日期2023
• 单位南京信息工程大学; 自动化学院