현재 주류 객체 탐지 알고리즘들이 모델 파라미터가 너무 크고, 이동 기기에 잘 이식되지 않아 운전자 보조 시스템에 적용하기 어려운 문제를 해결하기 위해, 본 논문에서는 YOLOv5s를 개선한 객체 탐지 알고리즘을 제안한다. 우선, YOLOv5s 알고리즘의 백본 네트워크인 CSPDarknet을 경량화 네트워크 모델인 MobileNet-V3로 교체하여, 네트워크 모델의 크기와 파라미터 수를 줄이고 네트워크 깊이를 감소시켜 데이터 추론 속도를 향상시켰다. 다음으로, 특징 추출 네트워크에 가중치가 적용된 양방향 특징 피라미드 구조 Bi-FPN을 적용하여 특징 추출을 강화하고 다중 스케일 특징을 융합하여 수용 영역을 확장하였다. 마지막으로, 손실 함수를 최적화하여 경계 상자 회귀 손실 함수로 CIoU를 사용하여 기존 GIoU의 수렴 속도가 느린 문제를 개선하고 예측 상자가 실제 상자와 더 잘 일치하도록 하였으며 네트워크 학습 난이도를 낮추었다. 실험 결과, 개선된 알고리즘은 KITTI 데이터셋에서 YOLOv5s, SSD, YOLOv3, YOLOv4_tiny 대비 각각 4.4, 15.7, 12.4, 19.6만큼 mAP 성능을 향상시켰으며, 모델 크기는 YOLOv5s와 경량 네트워크 YOLOv4_tiny에 비해 각각 32.4MB와 21MB 감소하였고, 탐지 속도는 각각 17.6%, 43% 증가하였다. 본 논문에서 제안한 알고리즘은 모델이 작고 정확도가 높은 요구를 충족하며, 운전자 보조 시스템의 도로 객체 탐지에서 탐지 속도와 정확도를 향상시키는 해결책을 제공한다.

MobileNetV3;객체 탐지;YOLOv5;특징 추출;CIoU