基于注意力机制的YOLOv5优化模型OACSTPCD
YOLOv5 Optimization Model Based on Attention Mechanism
目标检测是机器视觉研究中的重要分支.目前在工业生态中应用广泛的YOLOv5 模型经过版本迭代,在预测权重大小以及检测精度方面都有所优化,但模型的处理速度仍然较低,尤其是对于小目标及遮挡目标的检测效果有待改进.该文提出一种基于注意力机制的YOLO v5 改进模型.首先,通过引入维度关联注意力机制模块进行特征融合,提升主干网络的特征提取能力,达到改善小目标与遮挡目标的检测效果;其次,采用SIoU损失函数代替CIoU损失函数,作为新的边界框回归参数的损…查看全部>>
With the development of machine vision technology,target detection has become an important branch.At present,the YOLOv5 model,which is widely used in the industrial ecology,has undergone version iterations and has been optimized in terms of prediction weight and detection accuracy,but the processing speed of the model is still not high,especially for small targets and occluded objects.The detection effect needs to be improved.We propose an improved model of …查看全部>>
潘烨新;黄启鹏;韦超;杨哲
苏州大学 计算机科学与技术学院,江苏 苏州 215006||省计算机信息处理技术重点实验室,江苏 苏州 215006苏州大学 计算机科学与技术学院,江苏 苏州 215006||省计算机信息处理技术重点实验室,江苏 苏州 215006苏州大学 计算机科学与技术学院,江苏 苏州 215006||省计算机信息处理技术重点实验室,江苏 苏州 215006苏州大学 计算机科学与技术学院,江苏 苏州 215006||省计算机信息处理技术重点实验室,江苏 苏州 215006
计算机与自动化
机器视觉深度学习目标检测注意力机制损失函数
computer visiondeep learningobject detectionattention mechanismloss function
《计算机技术与发展》 2023 (12)
163-170,8
国家自然科学基金资助项目(62002253)教育部产学合作协同育人项目(220606363154256)国家级大学生创新创业训练计划项目(202210285042Z)
评论