基于注意力机制的车辆目标检测算法研究.docx

?

?

基于注意力机制的车辆目标检测算法研究

?

?

罗建晨杨蕾

摘?要：在智能交通系统中，车辆目标检测有广泛应用。为了提高车辆目标检测性能，采用基于FPN的YOLOv3算法进行车辆多目标检测，并且通过添加注意力机制模块进行网络优化，提出了一种基于空间注意力机制SAM的YOLOv3车辆多目标检测优化算法，并在所构造的车辆多目标数据集上对提出的算法进行了验证，证明其对车辆多目标检测的优势。实验表明，优化后的检测算法相比原检测算法模型参数量降低了55.36%，mAP值提升了1.15%，优于原检测算法。

关键词：车辆目标检测;注意力机制;YOLOv3;SAM

：TP391.4??：A??：2096-4706（2021）06-0103-04

ResearchonVehicleTargetDetectionAlgorithmBasedonAttentionMechanism

LUOJianchen，YANGLei

（SchoolofElectronicandInformation，ZhongyuanUniversityofTechnology，Zhengzhou?450007，China）

Abstract：Vehicletargetdetectioniswidelyusedinintelligenttransportationsystem.Inordertoimprovevehicletargetdetectionperformance，theFPN-basedYOLOv3algorithmisusedforvehiclemulti-targetdetection，andtheattentionmechanismmoduleisaddedtooptimizethenetwork.AnoptimizedYOLOv3vehiclemulti-targetdetectionalgorithmbasedonspatialattentionmechanism（SAM）isproposed.Theproposedalgorithmisverifiedontheconstructedvehiclemulti-targetdataset，whichprovesitsadvantageinmulti-targetvehicledetection.Theexperimentalresultsshowthatcomparedwiththeoriginaldetectionalgorithm，themodelparametersoftheoptimizeddetectionalgorithmarereducedby55.36%，andthemAPvalueisincreasedby1.15%，whichisbetterthantheoriginaldetectionalgorithm.

Keywords：vehicletargetdetection;attentionmechanism;YOLOv3;SAM

0?引?言

目標检测是计算机视觉的一个重要研究方向，是一种基于目标特征的图像分类和识别方法。在对交通目标进行动态检测和跟踪的智能化交通系统中具有广泛的应用价值，如车速智能监控与测量、自动驾驶行为识别等[1]。由于目标检测算法对不同目标的适应性不同，故需要选择适于交通目标检测的检测算法，并对其进行优化研究。

现代目标检测算法是基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）的，旨在通过自动学习图像高层特征，从图像中检测出感兴趣的目标，准确判断出每个目标的类别，并用检测框标记出每个目标所在的位置[2]。

特征提取主干网络是目标检测网络的基础，其作用是生成反映不同层次图片信息的、具有不同尺度的特征图，其中，低层特征图分辨率高，位置信息准确，可以较好地关注小目标的特征，但是包含的语义信息不丰富;高层特征图分辨率低，包含的语义信息丰富，可以充分地提取大目标的特征，但是位置信息粗糙、容易忽略小目标。在交通目标检测的应用场景中，由于车速较快，车辆及车辆上的检测目标在视频图像中的大小会迅速变化，这构成一个多尺度变化的目标检测问题，因此需要选取恰当的特征层利用方式。

根据特征图的利用方式不同，目标检测网络分为三类：基于单层特征图、基于金字塔型特征层级、基于特征金字塔网络（FeaturePyramidNetwork，FPN）[3]。基于单层特征图的目标检测网络仅使