基于GhostNet与注意力机制的YOLOv5交通目标检测

作者：皇甫俊逸; 孟乔^*; 孟令辰; 谢宇鹏

来源：计算机系统应用, 2023, 32(04): 149-160.

DOI：10.15888/j.cnki.csa.009048

• 目标检测
• 注意力机制
• 轻量化网络
• YOLOv5
• 跨阶段局部网络

针对交通目标检测模型参数量大、检测精度低、检测速度慢、泛化性差等问题,提出一种基于GhostNet与注意力机制的YOLOv5交通目标实时检测模型.采用基于遗传算法的K-means聚类方法获取适用于车辆检测的最佳预选框;采用轻量的Ghost卷积提取目标特征,并构建基于CSP结构的C3Ghost模块,大幅度压缩模型参数量,降低计算成本,提高计算速度;在特征融合层添加Transformer block和CBAM注意力模块,来探索模型特征提取潜力以及为模型在密集对象的场景中寻找注意力区域; UA-DETRAC数据集上的消融实验和综合性能评价结果表明所提模型平均精度达到98.68%,参数量为47 M,检测速度为65 FPS,与YOLOv5相比,参数量压缩了34%,速度提升43%,平均精度提高了1.05%.

• 出版日期2023