摘要：针对复杂场景下口罩佩戴检测算法存在小目标检测精度低和漏检率高的问题,提出一种基于改进YOLOV5s的口罩佩戴检测模型。融合倒置自适应注意力模块IAAM(inverted adaptive attention module),缓解连续下采样导致的信息丢失问题,同时增强网络的特征融合能力;为了平衡多尺度检测层接收到的有效信息量,设计了通道特征分组模块CFGM(channel feature grouping module),提高了小目标检测精度;结合实际场景中的数据特征,使用eiou Loss损失函数并取消数据增强中的色彩空间变换。实验结果表明,改进后的模型在检测精度、推理速度和小目标检测能力等方面均有提升,能够完成复杂场景下实时口罩佩戴检测任务。

摘要：为在泊车过程中更快速、准确、全面地检测停车位,提出一种针对全景环视系统AVM(around view monitor)图像的改进YOLOv8环视车位检测算法。采用部分卷积思想设计出Faster Block结构,分别替换C3模块和C2f模块中的Bottleneck结构,选取改进后更轻量化的C3-Faster模块替换YOLOv8中原有的C2f模块;在YOLOv8主干网络末端添加CoordAtt(coordinate attention)注意力层,提升模型特征提取能力;引入eiou作为损失函数提升模型检测精度。该算法在自建的AVM环视车位检测数据集上模型精度、召回率、mAP@0.5与mAP@0.5:0.95分别达到87.6%、87.6%、93.1%、62.0%;相较于原YOLOv8n模型提升1.5%、1.4%、1.6%、1%;参数量、浮点运算量及模型大小分别下降约27%、24%、25%。