基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

摘要: 在复杂道路场景中检测车辆、行人、自行车等目标时，存在因多尺度目标及部分遮挡易造成漏检及误检等情况，提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先，利用深度可分离卷积替换部分普通卷积，减少模型的参数量以提升检测速度。其次，在特征融合网络中引入基于感受野模块（receptive field block，RFB）改进的RFB-s，通过模仿人类视觉感知，增强特征图的有效感受野区域，提高网络特征表达能力及对目标特征的可辨识性。最后，使用自适应空间特征融合（adaptively spatial feature fusion，ASFF）方式以提升PANet对多尺度特征融合的效果。实验结果表明，在PASCAL VOC数据集上，所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点，达到84.01%，在满足自动驾驶汽车实时性要求的前提下，在一定程度上减少目标检测时的误检及漏检情况，有效提升模型在复杂驾驶场景下的检测性能。

• 关键词: 
• YOLOv5s  /  
• 自动驾驶  /  
• 目标检测算法  /  
• 深度可分离卷积  /  
• 感受野模块  /  
• 自适应空间特征融合  /  
• PANet  /  
• 多尺度特征融合