面向实时多尺度交通标志检测的改进 YOLOv5 网络
计算机视觉与模式识别
2021-12-24 v2 机器学习
摘要
交通标志检测是无人驾驶系统的一项具有挑战性的任务，尤其是多尺度目标的检测以及检测的实时性问题。在交通标志检测过程中，目标尺度变化较大，会对检测精度产生一定影响。特征金字塔被广泛用于解决该问题，但可能会破坏不同尺度交通标志之间的特征一致性。此外，在实际应用中，常见方法难以在确保实时检测的同时提高多尺度交通标志的检测精度。本文提出一种改进的特征金字塔模型，称为 AF-FPN，其利用自适应注意力模块（AAM）和特征增强模块（FEM）来减少特征图生成过程中的信息损失，并增强特征金字塔的表示能力。我们用 AF-FPN 替换 YOLOv5 中原有的特征金字塔网络，从而在保证实时检测的前提下提升了 YOLOv5 网络对多尺度目标的检测性能。此外，提出一种新的自动学习数据增强方法以丰富数据集并提升模型的鲁棒性，使其更适用于实际场景。在 Tsinghua-Tencent 100K（TT100K）数据集上的大量实验结果表明，与多种最先进（state-of-the-art）方法相比，所提方法具有有效性和优越性。
引用
@article{arxiv.2112.08782,
title = {Improved YOLOv5 network for real-time multi-scale traffic sign detection},
author = {Junfan Wang and Yi Chen and Mingyu Gao and Zhekang Dong},
journal= {arXiv preprint arXiv:2112.08782},
year = {2021}
}