【技术实现步骤摘要】
基于CSA注意力机制和C3_SAC的YOLOv5网络的交通多目标检测方法
[0001]本专利技术涉及计算机图像检测领域,尤其涉及基于CSA注意力机制和C3_SAC的YOLOv5网络的交通多目标检测方法。
技术介绍
[0002]随着社会经济和科技的飞速发展,城市化进程的加速和交通流量的不断增加,道路上的车辆、行人、自行车等目标数量急剧增加,这就会造成各种交通事故的频繁发生,验证危及着人们的生命和财产安全。交通目标检测的难度也随之增加。基于深度学习的目标检测算法逐渐成为交通多目标检测领域的主流算法,这些算法采用卷积神经网络(CNN)等深度学习模型,能够实现更高的检测精度和更快的检测速度。
[0003]目前,常见的目标检测模型可以分为两类:一类是以FasterR
‑
CNN为代表的双阶段检测模型,这种模型是先进行卷积操作,先选出来目标所在的大概位置确定感兴趣区域,然后再经过特征提取来实现对目标的准确判断,所以该模型的检测准确率高,但是检测速度慢;另一类是以YOLO、SSD等模型为代表的一阶段模型,一阶段模型通过卷积网络可以直接得到检测结果,速度快,但是准确率确不及双阶段模型,而且特征提取能力弱。而交通领域的目标检测准确性和实时性非常重要。
[0004]针对上述情况,本专利技术提出了基于CSA注意力机制和C3_SAC的YOLOv5网络的交通多目标检测方法,在原始的YOLOv5的基础上进行改进,并且验证本专利技术提出的改进具有提高检测精度和增强网络特征提取的能力。
技术实现思路
...
【技术保护点】
【技术特征摘要】
1.基于CSA注意力机制和C3_SAC的YOLOv5网络的交通多目标检测方法,其特征在于,其步骤如下:步骤1:获取交通多目标种类的数据集,把获取的交通多目表数据集进行处理成640
×
640大小的图片,转化成能够适合YOLO训练的文件格式,并将其分为训练集,验证集,测试集。步骤2:将可切换的空洞卷积(SAC)融合到C3模块中,替换C3中Bottleneck残差模块中的卷积结构,构成C3_SAC模块来组成YOLOv5的backbone网络。步骤3:把坐标注意力机制(CA)与改进的空间注意力机制(SA)进行结合,改进成一个新的注意力机制模块,来增强网络对目标的关注度,把CSA注意力机制模块,加入到YOLOv5的backbone结构中,分别加入到第5,8,13层的位置。步骤4:将YOLOv5中的Ciou损失函数进行替换,替换成具有角度损失、距离损失和形状损失的Siou损失。步骤5:将步骤1处理完成的交通数据集输入到改进的YOLOv5网络中,设置合适的训练次数,当模型的损失,mAP等指标趋近稳定并且收敛。步骤6:将步骤5训练完成模型的权重文件应用到YOLOv5模型中,在步骤1中选取验证集进行验证。步骤7:使用步骤1处理的同一个交通多目标数据集,在改进的YOLOv5的基础上进行实验,验证改进效果。2.根据权利要求1所述的基于CSA注意力机制和C3_SAC的YOLOv5网络的交通多目标检测方法,其特征在于,步骤1中的Kitti开源数据集具体分类方法为:该数据集包含汽车,交通灯,行人,自行车等9个种类的交通元素,共有7480张图片,通过python脚本对Kitti数据集的标签文本进行提取,并把图片和标签文本按照8:1:1的比例分割为训练集、测试集、验证集。3.根据权利要求1所述的基于CSA注意力机制和C3_SAC的YOLOv5网络的交通多目标检测方法,其特征在于,步骤2中构成C3_SAC模块来组成YOLOv5的backbone网络具体为:可切换空洞卷积(SAC),它对相同的输入特征与不同的Atrous率进行卷积,并使用开关函数收集结果。与标准的3
×
3卷积不同的是可切换的空洞卷积可以通过不同的膨胀率来创建并行的卷积层,以达到动态调整感受野的效果。用可切换空洞卷积来代替YOLOv5网络的C3残差结构中的标准的3
×
3卷积,创建出一个新的残差模块命名为C3_SAC模块,用C3_SAC模块来组成YOLOv5的backbone结构来提取输入图片的特征图。表达式为:y=Conv(x,w,r)其中w来表示权值,r表示空洞率,x表示输入,y表示输出。之后,可以将一个卷积层转换为SAC,其结构如下:其中r为SAC的超参数,Δw为可训练权值,S(
·
)为可切换函数,由一个5
×
5核的平均池化层和一个1
×...
【专利技术属性】
技术研发人员:王健康,闫冬梅,王正松,
申请(专利权)人:东北大学秦皇岛分校,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。