A detecção de veículos baseada em aprendizado profundo desempenha um papel crucial em muitos campos e é uma direção importante no desenvolvimento da visão computacional nos últimos anos. A detecção leve de veículos inclui a exploração da estrutura da rede e da eficiência computacional, sendo amplamente aplicada em muitos campos, como o transporte inteligente. No entanto, em muitos cenários existem problemas como grande variação na escala dos alvos de veículos na câmera e occlusão mútua entre veículos, o que afeta a precisão da detecção da rede. Para resolver esses problemas, é proposto um método aprimorado de detecção de veículos baseado no Yolov5s. Primeiramente, através de uma rede de atenção visual, é capturada a dependência de longo alcance, impondo novos pesos nos mapas de características originais, fortalecendo a adaptabilidade e melhorando a capacidade da rede de resistir à oclusão; em seguida, dentro do módulo residual, é reconstruída uma residual horizontal, construindo mapas de características com o mesmo número, mas com diferentes tamanhos de campo receptivo dentro de um módulo, enriquecendo a capacidade de expressão multiescala da rede. Resultados experimentais mostram que a rede aprimorada fornece uma melhoria de desempenho de 2,1% mAP no conjunto de dados de veículos Pascal VOC e uma melhoria de 1,7% mAP no conjunto de dados de veículos MS COCO. A capacidade de expressão multiescala da rede aprimorada é superior, a resistência à oclusão é mais forte e os resultados de detecção são mais competitivos em comparação com a rede original.

Visão computacional;Detecção de veículos;Rede leve;Dependência de longo alcance;Expressão multiescala