采用长距离依赖和多尺度表达的轻量化车辆检测

基于深度学习的车辆检测在众多领域发挥着至关重要的作用,是近年来计算机视觉的一个重要发展方向.车辆轻量化检测包含了对网络结构和计算效率的探索,并在智慧交通等诸多领域都得以广泛应用.然而在诸多场景下存在相机中车辆目标尺度变化大、车辆相互遮挡等问题,这些情况会影响到网络检测车辆的精度.针对上述问题,提出改进Yolov5s的车辆检测方法.首先通过视觉注意力网络捕获长距离依赖,对原有特征图施加新的权重,增强自适应性,提升网络的抗遮挡能力;接着在残差模块内部再次构造水平方向残差,在一个模块内部构建相同数量、不同大小感受野的特征图,丰富网络的多尺度表达能力.实验结果表明:改进后的网络在Pascal VOC车辆数据集上提供2.1％mAP性能提升,在MS COCO车辆数据集上提供1.7％mAP性能提升.改进后网络的多尺度表达能力更加出色,且抗遮挡能力更强,与原始网络相比检测结果更具有竞争力.