针对小尺寸列车风管与折角塞门的检测问题,提出一种多尺度特征增强的YOLOv5s检测算法。首先在主干网络Backbone增加了一个大尺寸特征图输出分支,使用C2f(CSP bottleneck with 2 convolution and forward)模块丰富新增特征图的梯度流信息...针对小尺寸列车风管与折角塞门的检测问题,提出一种多尺度特征增强的YOLOv5s检测算法。首先在主干网络Backbone增加了一个大尺寸特征图输出分支,使用C2f(CSP bottleneck with 2 convolution and forward)模块丰富新增特征图的梯度流信息;然后在Neck部分使用自适应空间特征融合增强特征金字塔模型FPN (Feature Pyramid Network)的多尺度特征融合能力,并使用路径聚合模型PAN(Path Aggregation Network)提高目标定位能力;检测头Head拥有4种尺度的特征图,其中新增特征图的尺寸最大,用于增强小尺寸目标的检测能力。实验结果表明,多尺度特征增强的YOLOv5s比原来的YOLOv5s在平均精度mAP(mean Average Precision)上提升了1.5%,优于其他检测器,提升了小尺寸风管和折角塞门的检测能力。展开更多
文摘针对小尺寸列车风管与折角塞门的检测问题,提出一种多尺度特征增强的YOLOv5s检测算法。首先在主干网络Backbone增加了一个大尺寸特征图输出分支,使用C2f(CSP bottleneck with 2 convolution and forward)模块丰富新增特征图的梯度流信息;然后在Neck部分使用自适应空间特征融合增强特征金字塔模型FPN (Feature Pyramid Network)的多尺度特征融合能力,并使用路径聚合模型PAN(Path Aggregation Network)提高目标定位能力;检测头Head拥有4种尺度的特征图,其中新增特征图的尺寸最大,用于增强小尺寸目标的检测能力。实验结果表明,多尺度特征增强的YOLOv5s比原来的YOLOv5s在平均精度mAP(mean Average Precision)上提升了1.5%,优于其他检测器,提升了小尺寸风管和折角塞门的检测能力。
