排序方式: 共有2条查询结果,搜索用时 62 毫秒
1
1.
针对雾天场景中因图像模糊不清、目标难以分辨等原因导致错检、漏检的问题,提出了一种融合高分辨率网络的目标检测算法HR-Cascade RCNN。采用高分辨率网络HRNet作为Cascade RCNN的特征提取网络,通过不同分辨率的子网络并行连接,提取多尺度的特征信息,减少下采样过程中的信息损失,增强目标的语义信息表示;使用CIoU损失函数替换原有的Smooth L1损失函数,引入惩罚项度量真实框与检测框之间宽高比的相关性,优化网络的收敛效果,有助于提高检测框的定位精度;最后,采用SoftNMS改进候选框选择机制,降低车辆遮挡等情况下的漏检率,提高网络检测能力。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上的实验结果表明,HR-Cascade RCNN与原Cascade RCNN相比,mAP分别提高了5.9%和3%。 相似文献
2.
针对雾天场景下目标检测算法精度较低、模型复杂度较高,提出一种基于YOLOv5的轻量级雾天目标检测方法。采用感受野注意力模块(RFAblock)通过交互感受野特征信息,对感受野添加注意力机制,提高特征提取能力;采用轻量化网络Slimneck作为颈部结构,在保持精度的同时降低模型参数和复杂度;在损失函数中引入真实框与预测框之间的角度向量,提高训练速度和推理的准确性;采用PNMS(precise non-maximum suppression)改进候选框选择机制,降低车辆遮挡情况下的漏检率。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上进行测试,实验结果表明,与YOLOv5l相比mAP50分别提高了4.9和3.5个百分点,模型参数量仅为YOLOv5l的54.6%。 相似文献
1