基于深度神经网络的道路多目标检测方法研究

陆继辉１ , 苏欣儿２ , 王建锋１ , 尹义壮１

（1.长安大学 汽车学院, 陕西 西安 710018;２．长安大学 长安都柏林国际交通学院, 陕西 西安710018）

摘要：为解决现有道路目标检测算法存在的检测精度低、 目标ID 切换频繁和终端部署受限等问题, 提出一种基于深度神经网络的道路多目标检测算法。检测阶段, 在 YOLOv5s 主干网络融入Ghost 卷积减少计算量, 引入SimAM(Simple Attention Module) 注意力机制提升复杂环境中小目标的感知能力, 采用 Focal EIoU 损失函数替换原网络中的 CIoU 提升收敛速度, 并采用柔性非极大值抑制(Soft NonＧMaximum Suppression,SoftＧNMS) 替换传统非极大值抑制(NMS) 解决目标遮挡与漏检问题, 最后通过 LabelImg 构建本地车辆Ｇ行人检测数据集来训练网络, 提高模型的泛化能力. 将优化模型部署到Jetson Nano 开发板并搭载实车进行验证, 结果表明, 改进后的 YOLOv5s在参数量减少47.4%的基础上, 交并比阈值设定为0.5 时目标检测模型的平均精度提高2.7%, 处理速度提升8.3%。

关键词：智能驾驶; 道路多目标检测; 深度神经网络;YOLOv5s; 模型轻量化

全文下载地址:基于深度神经网络的道路多目标检测方法研究_陆继辉.pdf

引用格式： 陆继辉, 苏欣儿, 王建锋, 等．基于深度神经网络的道路多目标检测方法研究[J] ．公路与汽运,2025，41 (5) :1-8+23．

扫一扫分享本文