基于多模块优化的YOLOv5小目标识别改进与增强
计算机视觉与模式识别
2023-10-04 v1 人工智能
摘要
本文深入研究并改进了YOLOv5s模型在小目标检测任务上的局限性。通过引入基于GhostNet的卷积模块、基于RepGFPN的Neck模块优化、CA与Transformer的注意力机制，以及采用NWD的损失函数改进，成功提升了模型性能。实验结果验证了这些改进策略对模型精确率、召回率和mAP的积极影响。特别地，改进模型在处理复杂背景与微小目标的真实应用测试中展现出显著优越性。本研究为YOLOv5s模型在小目标检测上提供了有效的优化策略，并为未来相关研究与应用奠定了坚实基础。
引用
@article{arxiv.2310.01806,
title = {Improvement and Enhancement of YOLOv5 Small Target Recognition Based on Multi-module Optimization},
author = {Qingyang Li and Yuchen Li and Hongyi Duan and JiaLiang Kang and Jianan Zhang and Xueqian Gan and Ruotong Xu},
journal= {arXiv preprint arXiv:2310.01806},
year = {2023}
}
备注
8 pages 10 figures