复杂交通场景下YOLOv5s增强的路侧目标检测算法提升性能

本文主要探讨了一种针对复杂交通场景的路侧目标检测算法，该算法是基于YOLOv5s模型的改进版本。作者杨睿宁、惠飞、金鑫和侯瑞宇针对传统路侧目标检测模型存在的问题，如对行人、非机动车和受遮挡车辆等小目标检测精度低以及模型体积过大，提出了创新性的解决方案。 首先，他们采用了边缘Intersection over Union (EIoU Loss)替代传统的Center IoU (CIoU Loss)作为目标边界框的回归损失函数。EIoU Loss不仅加速了预测框回归过程的收敛速度，还提升了预测框的准确性，有助于提高小目标的定位精度。 接着，他们使用轻量级的通用上采样算子Context-Aware Residual Feature Aggregation (CARAFE)替换原有的最近邻插值方法，减少了上采样过程中关键特征信息的丢失，有助于保留更多的细节信息，从而增强模型对目标的识别能力。 在保持原有三尺度检测层的基础上，文章引入了一个新的检测层，专门用于检测更小尺度的目标。通过提出一种高效的解耦预测头，模型能够分别优化不同尺度的目标检测，显著提升对小目标的检测性能。 最后，为了适应资源受限的环境，作者进行了通道剪枝，移除了对检测效果影响较小的冗余通道，这不仅降低了模型体积，约为YOLOv5s节省了5.7MB，而且使得模型在实际部署时更加高效。 通过在DAIR-V2X-I路侧目标检测数据集上的实验验证，改进后的算法在保持较高检测精度的同时，显著提高了mAP50（平均精度@50%IOU）至90.3%，mAP50:95（平均精度@50%和95% IOU）至67.7%，并且检测速度得到了明显提升。这些改进表明了在复杂交通场景下，优化的目标检测模型在性能和效率上都有显著提升，为实际应用中的交通物流监控提供了有力的支持。 整个研究结合了深度学习技术、目标检测算法优化和资源管理策略，既满足了学术创新的要求，也体现了工程实用价值。此外，该研究还得到了国家自然科学基金面上项目的资助，显示了其在学术领域的前沿性和重要性。