深層学習に基づく車両検出は、多くの分野で重要な役割を果たしており、近年のコンピュータビジョンの重要な発展方向の一つです。車両の軽量化検出は、ネットワーク構造と計算効率の探求を含み、スマート交通など多くの分野で広く応用されています。しかし、多くのシナリオにおいて、カメラ内の車両ターゲットのスケール変化や車両同士の遮蔽といった問題が存在し、これらはネットワークによる車両検出の精度に影響を及ぼします。これらの問題に対処するため、Yolov5sを改良した車両検出手法を提案します。まず、視覚的注意ネットワークを通じて長距離依存を捉え、元の特徴マップに新たな重みをかけて適応性を強化し、ネットワークの遮蔽耐性を向上させます。次に、残差モジュール内部に水平残差を再構築し、1つのモジュール内で同じ数の異なる大きさの受容野の特徴マップを構築し、ネットワークのマルチスケール表現能力を豊かにします。実験結果は、改良後のネットワークがPascal VOC車両データセットで2.1%のmAP性能向上を、MS COCO車両データセットで1.7%のmAP性能向上を提供することを示しています。改良後のネットワークはマルチスケール表現能力が優れており、遮蔽耐性も強化されており、元のネットワークと比べて検出結果は競争力があります。

コンピュータビジョン;車両検出;軽量化ネットワーク;長距離依存;マルチスケール表現