江苏大学学报(自然科学版)

作者：田亮1,2，金积德1,2，郑庆祥1,2

单位：（1. 武汉理工大学 现代汽车零部件技术湖北省重点实验室， 湖北 武汉 430070； 2. 武汉理工大学 汽车零部件技术湖北省协同创新中心， 湖北 武汉 430070）<br />

关键词：行人检测,深度学习,卷积神经网络,非对称最大池化,激活函数,自注意力机制,多尺度检测,YOLOv3-tiny

基金：&ldquo;211工程&rdquo;专项资金资助项目(40120411); 高等学校学科创新引智计划项目（B17034）; 教育部创新研究团队发展计划项目(IRT_17R83)

为了给驾驶员提供实时准确的行人信息、减少交通事故的发生，提出一种检测增强型YOLOv3-tiny（detection of enhanced YOLOv3-tiny，DOEYT）行人检测算法.创建鲁棒的特征提取网络，首先使用非对称最大池化进行下采样，防止随着感受野增大行人横向特征的丢失；其次使用Hardswish作为卷积层的激活函数优化网络性能；最后使用GC（globe context）自注意力机制获得全文特征信息.在分类回归网络部分，采用三尺度检测策略，提升小尺度行人目标的检测精度；使用k-means++算法重新生成数据集锚框，提高网络收敛速度.构建行人检测数据集并分为训练集和测试集，对DOEYT算法的性能进行试验验证.结果表明，非对称最大池化、Hardswish函数、GC自注意力机制分别使平均准确率AP提高14.4%、7.9%、10.8%；DOEYT算法在测试集上检测的平均准确率高达91.2%，检测速度为103帧/s，可见该算法可快速准确地检测行人，降低交通事故发生的风险.

来源：2024年第4期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2024年第4期