关键词:
目标检测
GSConv
跨阶段局部网络
注意力机制
SK模块
摘要:
为了改善复杂背景情况下火焰检测算法检测效果较差、对小目标不敏感和计算量过大等缺陷,该文设计出一种轻量化的目标检测算法——GS-YOLOv5s。研究将鬼影混洗卷积瓶颈模块(GS bottleneck)应用于特征提取网络,提出跨阶段特征提取网络——GS-C2,通过对局部区域进行特征分流,使模型能够更专注地学习目标周围的局部特征,从而提高复杂背景下的目标检测精度;然后在模型的颈部网络中使用轻量化卷积GSConv,在实现模型轻量化的同时提高检测精度;最后通过融入选择性注意力LSK模块扩大感受野,更好地捕捉到全局上下文信息,提供更全面的场景理解,使网络更好地理解和响应小目标。数据集测试结果表明,与YOLOv5s基准模型相比,该算法结构整体参数量和浮点运算量分别减少了约20%和21%,同时mAP_(0.5)相较于YOLOv5s提高了4.6百分点。实验结果表明,GS-YOLOv5s既提高了检测精度,又满足了轻量化以及实时检测的需求,极大提高了火焰检测算法的实用性。