融合FMix及注意力层叠加态的FSC-YOLOv5s模型

摘要

在目标检测方面,针对YOLOv5s算法处理小数据集的薄弱性和局限性,设计了FSC-YOLOv5s算法。当数据采集受限时,采用数据增强方式,就可以在不增加原始数据量的基础上扩张特征点数量,为检测效果带来正向增益效果,是轻量型网络的最优化选择。首先,在数据预处理时,在原有结构基础上叠加引入一种混合样本数据增强方法FMix,用以增强数据量,能够降低小数据集对检测精度的影响。其次,对YOLOv5s算法的网络结构进行改进,在获取网络输出内容时,增加可以统一权值的SimAM无参数注意力层。无需添加额外参数量,便可以加强模型对于数据关键特征的关注。同时,在主干网络部分加入CBAM注意力层,通过学习自动提取重要特征和抑制次要特征,进一步加强对于有限数据特征量的深入学习。通过注意力机制改善重要特征的筛选能力,能够有效提升检测目标的完整性。然后,分别加入SGD、Adam、Adamw优化算法进行实验,择优选择可以提高FSC-YOLOv5s的计算效率和适应性的优化器。最后,通过实验显示,FSC-YOLOv5s在两个数据集上的mAP@.5:.95分别提高了30.3%和5.1%,验证了FSC-YOLOv5s算法的有效性。