摘要
في ضوء المشكلات الحالية التي تواجه خوارزميات اكتشاف الأهداف السائدة مثل الحجم الكبير لمعلمات النموذج وعدم القدرة على التكيف بشكل جيد مع الأجهزة المحمولة لاستخدامها في مساعدة القيادة، تقترح هذه الورقة خوارزمية اكتشاف أهداف محسنة بناءً على YOLOv5s. أولاً، تم استبدال الشبكة الأساسية CSPDarknet في خوارزمية YOLOv5s بنموذج شبكة خفيف الوزن MobileNet-V3، مما حل مشكلة حجم النموذج الكبير وكثرة المعلمات، كما قلل من عمق الشبكة وزاد من سرعة الاستنتاج. ثانيًا، تم استخدام هيكل الهرم الميّز الثنائي الاتجاه الموزون Bi-FPN لتعزيز استخراج الميزات ودمج الميزات متعددة المقاييس لتوسيع مجال الاستقبال. أخيرًا، تم تحسين دالة الخسارة باستخدام CIoU كخسارة انحدار إطار التحديد، ما حسّن سرعة تلاقي النموذج مقارنة بـ GIoU الأصلي، وجعل الإطارات المتوقعة أقرب إلى الحقيقية مع تقليل صعوبة تدريب الشبكة. أظهرت النتائج التجريبية أن الخوارزمية المحسنة زادت mAP على مجموعة بيانات KITTI مقارنة بـ YOLOv5s وSSD وYOLOv3 وYOLOv4_tiny بنسبة 4.4 و15.7 و12.4 و19.6 على التوالي، وقلل حجم النموذج مقارنة بـ YOLOv5s وYOLOv4_tiny بمقدار 32.4 ميجابايت و21 ميجابايت، كما زادت سرعة الكشف بنسبة 17.6% و43%. تلبي الخوارزمية المحسنة متطلبات الحجم الصغير والدقة العالية، وتوفر حلاً لزيادة سرعة ودقة اكتشاف أهداف الطرق في مساعدة القيادة.
关键词
MobileNetV3;اكتشاف الأهداف;YOLOv5;استخراج الميزات;CIoU
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website