目标检测YOLO实战应用案例100讲-基于改进YOLOv5s的道路目标检测（续）

目录

3.3融合注意力模块

3.3.1注意力机制

3.3.2 SENet

3.3.3 CBAM

 3.3.4ECA

3.3.5改进后的算法网络结构

3.4非极大值抑制的改进

3.4.1传统NMS算法

3.4.2 DIoU

3.4.3 DIoU-NMS算法

3.5空间金字塔池化的改进

3.5.1 SPP

3.5.2 YOLO算法中的SPP

3.5.3 SPPCSPC

3.6实验结果与分析

3.6.1实验数据集

3.6.3评价指标

3.6.4初始锚框优化实验对比

3.6.5融合注意力机制实验对比

3.6.6改进非极大值抑制算法实验对比

3.6.7空间金字塔池化改进实验对比

轻量化的道路目标检测模型

4.1引言

4.2常见的深度学习网络的轻量化方法

4.2.1网络剪枝

4.2.2知识蒸馏知识蒸馏[60]

4.2.3参数量化

4.2.4低秩分解

4.2.5紧凑的网络结构设计

4.3基于轻量化卷积神经网络改进的DS-YOLOv5s模型

4.3.1基于GhostNet改进的DS-YOLOv5s模型

4.3.2基于ShuffleNetV2改进的DS-YOLOv5s模型

4.3.3基于MobileNetV3改进的DS-YOLOv5s模型

4.4实验结果与分析

4.4.1实验数据集

4.4.2实验平台以及训练参数设置

4.4.3评价指标

4.4.4实验结果分析

---

本文篇幅较长，分为上下两篇，上篇详见基于改进YOLOv5s的道路目标检测

3.3融合注意力模块

3.3.1注意力机制

随着深度学习的不断发展，注意力模型也被引入进深度学习中进行研究，并 成为神经网络的一个重要概念。借鉴人类视觉机制的原理也可以对注意力机制进 行直观的解释，人类的眼睛在看到一些东西，并传入大脑后，会倾向于关注帮助 我们进行