论文阅读：基于改进 YOLOv5算法的密集动态目标检测方法

最新推荐文章于 2024-07-10 17:45:00 发布

苦瓜汤补钙

最新推荐文章于 2024-07-10 17:45:00 发布

阅读量776

点赞数 24

分类专栏：论文学习文章标签：论文阅读 YOLO 目标检测

本文链接：https://blog.csdn.net/qq_53589322/article/details/138919117

版权

论文学习专栏收录该内容

18 篇文章 0 订阅

订阅专栏

论文地址：基于改进YOLOv5算法的密集动态目标检测方法 - 中国知网 (cnki.net)

概要

目的：提出一种基于 YOLOv5改进的检测算法，解决密集动态目标检测精度低及易漏检的问题。

方法：在 YOLOv5的主干网络中使用 QARepNeXt结构提高深度学习模型训练速度；引入 S2-MLPv2注意力机制改善遮挡情况下检测效果差的问题；将具有动态聚焦机制的边界回归损失函数 Wise-IoU 替代原有损失函数提高收敛速度。

结果：通过在公开数据集上的实验验证，改进算法在密集行人检测任务中表现出了更高的检测精度、更低的漏检率和更好的检测效果。相较于原始YOLOv5s网络模型，改进后的算法模型在复杂环境下展示了更强的鲁棒性和泛化能力，能够有效应用于密集动态目标检测及其相关领域。

结论：通过引入QARepNeXt结构、S2-MLPv2注意力机制和Wise-IoU损失函数，优化了YOLOv5s网络，提升了密集动态目标检测的性能。这一改进算法在实际应用中具有重要的潜力，尤其在行人检测等密集场景下表现出色，为相关领域的研究提供了新的思路和方法。

Motivation

密集动态目标检测，遮挡导致的检测精度低和漏检率高。
于行人尺度较小,检测难度也增加。

整体架构流程

一种基于改进YOLOv5s算法的密集动态目标检测方法。主要改进包括：

1. 主干网络优化：引入QARepNeXt模块，增强网络特征提取和融合能力，提高检测精度。
2. 特征融合阶段改进：加入S2-MLPv2注意力机制，有效提取图像关键信息，提高对遮挡目标的关注度。
3. 损失函数替换：采用Wise-IoU损失函数，提高模型的收敛能力和检测精度。

技术细节

YOLOv5原始主干网络采用3×3的卷积模块，对非密集场景下的目标识别任务具有出色的能力，但在密集场景和被识别物有遮挡的情况下很难提取到有效特征信息，为此论文研究对传统的 RepVGG 结构进行修改，引入更加友好的量化感知模块 QARepNeXt。

为使网络具有更好的量化性能，引用一种在 RepVGG 的基础上改进的网络结构 QARepVGG(Quantization-AwareRepVGG)，不会在训练过程中遭受量化崩溃，与 RepVGG 结构相比其量化性能得到很大程度的提升。

为提高特征信息的利用率，研究引入 S2-MLPv2注意力机制模块。

在对画面中的目标进行检测时，由于视野内可能存在多个目标,算法会生成多个预测框。为了消除冗余的预测框，通常需要采用非极大值抑制(Non-MaximumSuppression，NMS)方法。NMS算法会根据预测框的置信度和重叠度进行筛选，保留置信度最高的预测框，并去除与其重叠度高的其他预测框，从而得到最终的检测结果。这样可以有效地去除冗余的预测框，提高检测的准确性和效率。