基于改进YOLOv5m的轻量化车脸检测方法
为解决车检站车辆检测中需要对车辆前照灯快速准确定位,同时防止车辆代检的问题,建立了一个车脸检测数据集Car-Data.针对车检站场景中车辆检测问题,提出了一种基于YOLOv5m的轻量化车脸检测方法.首先,将原网络的卷积块替换为改进型跨阶段深度可分离卷积块,以减少网络整体的参数量和计算量.其次,提出增强感受野的空间金字塔扩张卷积模块代替YOLOv5m的主干提取网络中的空间金字塔池化模块,从而提升网络的目标检测精度.最后,在颈部特征增强网络中修改上采样方法,并提出上下层特征融合模块,以减少特征信息的损失.在Car-Data数据集上进行的实验结果表明,改进后的算法相较于原YOLOv5m模型大小减少了48%,每秒检测帧数提高了约10帧,且平均检测精度仍提升了2.02%.因此该改进算法可以满足车检站车辆检测场景中车脸检测的需求.
深度学习、车脸检测、轻量化网络、感受野、特征增强
46
TP391.4(计算技术、计算机技术)
国家自然科学基金62066046
2023-09-04（万方平台首次上网日期，不代表论文的发表时间）
共9页
125-133
