针对小尺寸列车风管与折角塞门的识别问题,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,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N...针对小尺寸列车风管与折角塞门的识别问题,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,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部分采用残差特征增强和自适应空间特征融合等两种方式增强特征金字塔模型的多尺度特征的融合表征能力,并使用路径聚合模型增强坐标回归信息以提高定位能力;最终在检测头Head部分获得了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在平均精度上提升了2.0%,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
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识别问题,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,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部分采用残差特征增强和自适应空间特征融合等两种方式增强特征金字塔模型的多尺度特征的融合表征能力,并使用路径聚合模型增强坐标回归信息以提高定位能力;最终在检测头Head部分获得了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在平均精度上提升了2.0%,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。
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。
