基于注意力机制和GSConv的YOLOv5行人检测方法技术

本发明专利技术公开了基于注意力机制和GSConv的YOLOv5行人检测方法，采用YOLOv5网络，YOLOv5主要由输入端(Input)、主干网络(Backbone)、颈部网络(Neck)、检测端(Head)四个部分组成，Input为图像预处理阶段，Backbone为提取特征阶段，Neck为特征融合阶段，Head对图像特征进行预测，生成边界框和并预测类别；在YOLOv5中依次引入CA注意力机制、GSConv模块和CoT模块。本发明专利技术将Backbone网络中的C3模块全部替换为改进的C3CA2模块；Neck网络中的所有标准卷积Conv替换为GSConv，能够有效减轻Neck网络的复杂度；Neck网络最后一层的C3模块替换为CoT3模块，并将CA模块加入Neck网络23层后，增强网络学习特征的表达能力。学习特征的表达能力。学习特征的表达能力。

【技术实现步骤摘要】
基于注意力机制和GSConv的YOLOv5行人检测方法


[0001]本专利技术涉及目标检测
，特别涉及基于注意力机制和GSConv的YOLOv5行人检测方法。

技术介绍

[0002]行人检测可定义为判断输入图片或视频帧是否包含行人，如果有将其检测出来，一般用矩形框做出标记。行人检测的性能受到光照变化，遮挡，背景复杂以及行人姿态，尺度多变等因素的影响，一直是计算机视觉研究中的热点和难点。现如今，被广泛应用在智能交通系统、医疗、自动驾驶技术等生活中的各个领域。
[0003]传统的行人检测方法是利用手工提取特征并通过分类器进行训练，最经典的传统行人检测算法为，2005年Da l a l等提出的提取方向梯度直方图(H i stogram of or i ented grad i ent，HOG)特征送入支持向量机(support vector mach i nes,SVM)进行分类的方法。但该类方法太过依赖人为提取特征，计算量巨大，并且会产生冗余的标记窗口，因此检测精度和速度都无法满足要求。
[0004]基于深度卷积神经网络的目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和GSConv的YOLOv5行人检测方法，其特征在于：采用YOLOv5网络，YOLOv5主要由输入端(Input)、主干网络(Backbone)、颈部网络(Neck)、检测端(Head)四个部分组成，Input为图像预处理阶段，Backbone为提取特征阶段，Neck为特征融合阶段，Head对图像特征进行预测，生成边界框和并预测类别；在YOLOv5中依次引入CA注意力机制、GSConv模块和CoT模块。2.根据权利要求1所述的基于注意力机制和GSConv的YOLOv5行人检测方法，其特征在于：将Backbone中的C3模块替换为改进的C3CA2模块，并将CA注意力机制加入Neck网络23层后，将Neck中的Conv替换为改进的GSConv，将CoT模块融合C3模块形成CoT3模块，再将Neck网络最后一层的C3模块替换为CoT3模块。3.根据权利要求2所述的基于注意力机制和GSConv的YOLOv5行人检测方法，其特征在于：CA注意力机制的实现过程为将输入特征图分为宽度(W)和高度(H)两个方向沿着X轴和Y轴进行全局平均池化(AvgPool)，分别获得在宽度和高度两个方向的特征图z
h
和z
w
，接着将这两个特征图拼接(Concat)在一起，之后将它们送入Conv2d的卷积模块，将其维度降低为原来的C/r，然后将经过批量归一化处理的特征图F1送入Sigmoid激活函数得到形如1
×
(W+H)
×
C/r的特征图f，接着将特征图f按照原来的H和W进行卷积核为Conv2d的卷积，分别得到通特征图F
h
和F
w

【专利技术属性】
技术研发人员：高英，吴玉虹，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：