针对复杂道路场景下现有算法对道路上交通标志检测精度不高以及漏检误检问题,文中提出了一种改进YOLOv5(You Only Look Once version 5)检测算法。在主干网络使用轻量化网络RepVGG(Re-parameterized Visual Geometry Goup)增强模型特征...针对复杂道路场景下现有算法对道路上交通标志检测精度不高以及漏检误检问题,文中提出了一种改进YOLOv5(You Only Look Once version 5)检测算法。在主干网络使用轻量化网络RepVGG(Re-parameterized Visual Geometry Goup)增强模型特征提取能力,通过增加残差分支结构获得更多特征细节信息。将坐标注意力机制(Coordinate Attention,CA)融入RepVGG模块来提升模型对于小目标的识别与定位能力。在特征融合方面,引入加权双向特征金字塔结构(Bi-directional Feature Pyramid Network,BiFPN)重构颈部网络,充分利用不同尺度特征信息来增强网络特征融合能力。将原CIoU(Complete Intersection over Union)损失函数替换为EIoU(Efficient IoU)损失函数,以此提高回归框的稳定性,加速收敛。实验结果表明,改进算法在CCTSDB(Chinese Traffic Sign Detection Bench mark)数据集的均值平均精度为98.9%。相较于原YOLOv5算法,所提算法的平均精度提升了2.5百分点,召回率提升了4.5百分点,减少了漏检和误检发生概率,同时满足实时检测要求。展开更多
