01 改进 YOLOv5的交通灯实时检测鲁棒算法

分析模型规模时发现,引入CA注意力机制和增加检测层在提高精度和召回率的同时,也增加了参数量,使模型复杂程度加深,为解决这一问题,利用分布移位卷积()替换主干网络的部分标准正则卷积,在保证精度的同时,减少参数量,简化模型的复杂程度 。

01 改进 YOLOv5的交通灯实时检测鲁棒算法

文章插图
【01 改进 YOLOv5的交通灯实时检测鲁棒算法】是标准卷积的即插即用替代品,可直接用于任何卷积神经网络,如图5所示,卷积层将传统的卷积内核分解为2个组件:可变量化内核(VQK)和分布式移位 。利用量化和分布移位来模拟卷积层的行为,首先通过在VQK中存储整数值来实现较低的存储器使用和较高的速度,然后通过应用基于内核和基于通道的分布偏移来保持与原始卷积相同的输出,达到提高模型速度和减少参数量的目的 。