딥러닝 기반 차량 검출은 여러 분야에서 중요한 역할을 하며 최근 컴퓨터 비전의 중요한 발전 방향 중 하나입니다. 경량 차량 검출은 네트워크 구조와 계산 효율성 탐구를 포함하며 지능형 교통 등 다양한 분야에 널리 적용되고 있습니다. 하지만 여러 시나리오에서 카메라 내 차량 목표의 크기 변화가 크고 차량 간 상호 차폐 문제가 존재하여 네트워크의 차량 검출 정확도에 영향을 미칩니다. 이러한 문제를 해결하기 위해 Yolov5s를 개선한 차량 검출 방법을 제안합니다. 우선 시각적 주의 네트워크를 통해 장거리 의존성을 포착하고 기존 특징 맵에 새로운 가중치를 부여하여 적응성을 강화하고 네트워크의 차폐 저항력을 향상시킵니다; 이후 잔차 모듈 내부에 수평 잔차를 재구성하여 하나의 모듈 내에 동일 개수이지만 크기가 다른 수용 영역의 특징 맵을 구축하여 네트워크의 다중 스케일 표현 능력을 풍부하게 합니다. 실험 결과 개선된 네트워크는 Pascal VOC 차량 데이터셋에서 2.1% mAP 성능 향상을, MS COCO 차량 데이터셋에서는 1.7% mAP 성능 향상을 제공함을 보여줍니다. 개선된 네트워크의 다중 스케일 표현 능력은 더욱 우수하며 차폐 저항력이 강해 원래 네트워크에 비해 검출 결과가 경쟁력 있습니다.

컴퓨터 비전;차량 검출;경량 네트워크;장거리 의존성;다중 스케일 표현