現在主流の物体検出アルゴリズムにはモデルパラメータが大きく、移動機器への移植が難しく、運転支援に応用できないという問題がある。そこで本論文では、YOLOv5sを改良した物体検出アルゴリズムを提案する。まず、YOLOv5sのバックボーンネットワークであるCSPDarknetを軽量ネットワークモデルのMobileNet-V3に置き換え、モデルサイズやパラメータ数の問題を解決し、ネットワークの深さを減らしデータ推論速度を向上させた。次に、特徴抽出ネットワークに加重双方向特徴ピラミッド構造Bi-FPNを適用して特徴抽出を強化し、多尺度特徴を融合して受容野を拡大した。最後に損失関数を最適化し、境界ボックス回帰の損失関数にCIoUを使用することで、元のGIoUに比べて収束速度の遅い問題を改善し、予測ボックスを実際のボックスにより適合させ、ネットワークの学習難易度を下げた。実験結果から、改良後のアルゴリズムはKITTIデータセットにおいてYOLOv5s、SSD、YOLOv3、YOLOv4_tinyと比較し、それぞれmAPが4.4、15.7、12.4、19.6向上し、モデルサイズはYOLOv5sおよび軽量ネットワークYOLOv4_tinyと比較してそれぞれ32.4MBと21MB減少し、検出速度はそれぞれ17.6％と43％向上した。本論文の改良アルゴリズムは、モデルが小型で精度が高いという要求を満たし、運転支援における道路目標検出の速度と精度向上のための解決策を提供する。

MobileNetV3;物体検出;YOLOv5;特徴抽出;CIoU