Aufgrund der bestehenden Probleme bei den derzeit gängigen Objekterkennungsalgorithmen, wie der großen Modellparametergröße und der schlechten Übertragbarkeit auf mobile Geräte zur Anwendung in der Fahrerassistenz, schlägt dieser Artikel einen verbesserten Objekterkennungsalgorithmus basierend auf YOLOv5s vor. Zunächst wurde das Backbone-Netzwerk CSPDarknet des YOLOv5s-Algorithmus durch das leichtgewichtige Mobil-Netzwerk MobileNet-V3 ersetzt, wodurch das Problem großer Modelle und vieler Parameter gelöst, die Netzwerktiefe reduziert und die Dateninferenzgeschwindigkeit erhöht wurde. Zweitens wurde eine gewichtete bidirektionale Merkmals-Pyramidenstruktur Bi-FPN eingesetzt, um die Merkmalsextraktion zu verbessern, mehrskalige Merkmale zu fusionieren und das Rezeptivfeld zu erweitern. Schließlich wurde die Verlustfunktion durch Verwendung von CIoU als Verlustfunktion für die Bounding-Box-Regression optimiert, was die Konvergenzgeschwindigkeit im Vergleich zur ursprünglichen GIoU-Funktion verbesserte, bessere Übereinstimmung der vorhergesagten Boxen mit den tatsächlichen Boxen erzielte und die Netzwerkschulung erleichterte. Die experimentellen Ergebnisse zeigen, dass der verbesserte Algorithmus den mAP auf dem KITTI-Datensatz im Vergleich zu YOLOv5s, SSD, YOLOv3 und YOLOv4_tiny um 4,4, 15,7, 12,4 bzw. 19,6 erhöhte, die Modellgröße im Vergleich zu YOLOv5s und dem leichtgewichtigen Netzwerk YOLOv4_tiny um 32,4 MB bzw. 21 MB verringerte und die Erkennungsgeschwindigkeit um 17,6 % bzw. 43 % steigerte. Der verbesserte Algorithmus erfüllt die Anforderungen eines kleinen Modells mit hoher Genauigkeit und bietet eine Lösung zur Verbesserung der Erkennungsgenauigkeit und -geschwindigkeit von Straßenobjekten in der Fahrerassistenz.

MobileNetV3;Objekterkennung;YOLOv5;Merkmalsextraktion;CIoU