目标检测论文解读复现之八：基于YOLOv5s的滑雪人员检测研究
前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
一、摘要
针对滑雪人员目标检测研究中，存在的检测精度低、速度慢，不同姿态识别效果差等问题，采用YOLOv5s网络模型，改进损失函数，增加平衡因子，在自制滑雪人员数据集上对网络进行训练，利用训练好的网络进行图像特征提取，实现滑雪人员的快速检测。基于YOLOv5s的滑雪人员检测模型可以有效识别不同姿态下的滑雪人员，mAP值达到99.87%，Recall值达到97.66%，检测速度可以达到7ms/帧。实验结果表明，改进的YOLOv5s滑雪人员检测模型，检测速度快，检测精度高，鲁棒性强，有较好的可扩展性，既满足检测精度要求，又满足检测速度要求。
二、网络模型及核心创新点
1.YOLOv5s网络中融合SE注意力模块
2.K-means聚类方法构建绝缘子的先验框
3.构造置信度与定位任务联合的损失函数
4.引入Mosaic数据增强策略训练网络
三、应用数据集
本文使用的数据集为自制的滑雪数据集，数据集是由网络采集的5000张人员滑雪图片组成，其中包括不同角度、不同光照、不同天气的图像，自制数据集示例如下图所示，数据集的制作主要包括数据采集、数据整理和数据标注等三个步骤。
四、实验效果（部分展示）
- 训练结果如下图所示，mAP值达到99.87%，Recall值达到97.66%，相较于之前的算法平均精确度有所提升，且识别速率达到7ms/帧，训练模型大小为14.1M。
- 如下图所示，分别为不同姿态、不同光照下识别情况，置信度稳定在90%以上，识别效果较好。
五、实验结论
实验结果表明，本文提出的改进的YOLOV5滑雪人员检测模型，检测速度快，检测精度高，鲁棒性强，有较好的可扩展性，既满足检测精度要求，又满足检测速度要求，同时满足实时性的要求。
六、投稿期刊介绍
注：论文原文出自彭雅坤，曹伊宁，刘晓群；基于YOLOv5s的滑雪人员检测研究；长江信息通信；2021年第08期
解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。