论文部分内容阅读
我国经济的发展和城市化的推进,使许多城市中的汽车数量急剧增加,同时交通堵塞、车祸频发等问题也涌现出来。各大城市的交通承载能力和交通管理能力达到瓶颈,传统的方案已经难以解答新时代的难题。智能交通管理和自动驾驶技术为城市交通问题提供了新的解决途径。而计算机视觉技术是智能交通管理和自动驾驶技术的重要基石,目标检测技术又是其中的重要一环,基于卷积神经网络的目标检测技术代表着当前的领先水平。因此,设计出能在交通目标数据集上表现优越、同时满足实时性和准确性要求的目标检测算法模型具有重大意义。本文将从混合域注意力和多尺度特征两方面对交通目标检测算法模型展开研究改进工作,主要内容和创新点如下:（1）针对混合域注意力机制CBAM中并行融合方法会压抑注意力图中有用信号的问题,本文在CBAM模块中引入一个非线性映射调整信号来解决此问题,以此提高注意力模块强化有用信号的能力。实验表明,经此非线性映射,使用算术平均融合策略和几何平均融合策略的图像分类模型Res Net50在Image Net-250验证集上的top-1错误率分别降低了0.31%和0.4%。针对GSo P注意力中的融合策略能利用的上下文信息的范围受限的问题,本文提出采用深度分离卷积来分别对其通道维度和空间维度的上下文信息进行更大范围的充分融合。此改进的融合策略能让使用GSo P模块的Res Net50模型在Image Net-1K验证集上的top-1错误率下降0.66%（此改进的GSo P模块被命名为GSo P-dw）。并且,本文将GSo P-dw注意力模块引入目标检测算法模型YOLOv5中,用于加强卷积神经网络提取有用特征的能力,提高了模型在交通目标检测数据集BDD100K上的验证精度,进一步地,本文还根据实验确认了兼顾精度和速度的最佳嵌入方案。（2）为加强交通目标检测模型利用多尺度特征的能力,针对模型中用于融合多尺度感受野信息的SPP模块中存在的低效的跨通道卷积运算的问题,本文提出使用通道洗牌操作和分组卷积代替原本的跨通道卷积运算的SPP-Shuffle模块,以YOLOv5为基准模型的实验表明,用SPP-Shuffle代替原SPP能降低计算量和参数量并提高模型精度。把主干网络中的基本组成模块CSP-block改进为Res2CSP模块来提升其利用多尺度特征的能力。通过上述方法,本文将模型在BDD100K验证集上的m [email protected]提高了1.48,在保持模型的实时性和硬件友好性的同时加强了准确性。