来源：期刊VIP网 时间：
作者：刘丽丽;王智文;王亮;李嘉琛;方国香;吕亦雄;
单位：广西科技大学电子工程学院;长春理工大学电子信息工程学院;广西科技大学计算机科学与技术学院;
摘要：随着人工智能技术在交通领域的深入应用，实时检测和跟踪交通道路中的车辆与行人成为自动驾驶技术不可或缺的组成部分。为了提升在复杂环境中的检测精度与速度，文中提出一种基于BiFPN和注意力机制改进的YOLOv5s模型。通过集成双向特征金字塔网络（BiFPN）和引入CBAM注意力机制，优化了模型对小目标的识别能力，并通过数据增强技术处理自动驾驶公开数据集SODA10M，解决样本不均问题。实验结果显示，改进模型在SODA10M数据集上的mAP值达到85.2%，较原始YOLOv5模型提高2.7%，同时FPS达到了42 f/s，相比原模型下降了7 f/s，虽有所下降，但在保持较高精度的同时实现了较快的检测速度。该研究在复杂环境下提升目标检测与跟踪技术方面展现出了新的思路和潜力，对于自动驾驶技术的发展具有重要的应用价值。
关键词：自动驾驶;;YOLOv5s;;CBAM;;BiFPN;;DeepSORT;;ByteTrack
基金资助：国家自然科学基金资助项目（61962007）;; 大学生创新创业项目（202210594041）
