申请/专利权人：东北大学秦皇岛分校

申请日：2023-07-17

公开（公告）日：2023-10-24

公开（公告）号：CN116935337A

主分类号：G06V20/54

分类号：G06V20/54;G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.11.10#实质审查的生效;2023.10.24#公开

摘要：本发明提供一种基于CSACoordinateSpatialAttention注意力机制和C3_SAC的YOLOv5网络的交通多目标检测方法，首先使用可切换空洞卷积SAC替换C3中Bottleneck残差模块中的卷积结构组成新的backbone网络结构，使backbone提取特征信息更准确，同时扩大卷积感受野，适应不同尺度特征；然后在CA注意力机制的基础上结合SA注意力机制，并把改进的CSA注意力机制分别加入到backbone网络的5，8，13层之后，增强网络对学习特征的表达能力；最后把YOLOv5中原有的Ciou损失函数替换为额外考虑角度损失的Siou损失函数。在Kitti交通开源数据集上进行实验，改进YOLOv5模型相较于原始的YOLOv5模型的Precision提升了5.7％，mAP_0.5提升了1.9％，mAP_0.5:0.95提升了3.5％。结果表明，本发明提出改进的模型有效的实现了高精度的交通多目标检测。

主权项：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。

全文数据：

权利要求：

百度查询： 东北大学秦皇岛分校 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD