改进YOLOv4的车辆图像检测算法研究

针对自动驾驶车辆真实行驶场景下因环境复杂,车辆间目标遮挡、环境背景遮挡等导致的车辆检测误检、漏检和定位不准的问题,本文提出了一个改进YOLOv4模型的车辆检测算法。该算法在YOLOv4网络的Backbone与Neck的通道处以及Neck的上采样与下采样处分别添加7处CBAM注意力机制,以提升网络提取有效特征的能力。并利用k-means聚类算法生成适合数据集的锚框。为检验模型的有效性,对数据集进行重新整理与划分,将与车辆无关的种类删去,将Car、Bus、Truck三类合并为Vehicle一类,随后进行实验,并与当前主流的其他目标检测模型进行对比。实验证明,改进的YOLOv4算法比原算法AP提升了4.8%,准确率提升了4.54%,召回率提高了0.9%,优于大部分主流算法。提出的模型为复杂环境下自动驾驶领域的车辆识别提供了有效方法。     

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。     

一种改进的YOLOv4-tiny车辆目标检测方法

伴随深度学习的不断发展,深度学习的目标检测方法被广泛应用.基于特征融合的思想,本文提出了一种改进的YOLOv4-tiny目标检测方法,通过添加卷积模块及调整部分超参数对其网络架构进行优化,以实现对道路车辆目标的快速检测、识别和定位.首先为了改善YOLOv4-tiny网络对小目标类型检测精度差的问题,基于特征金字塔网络对...     

基于改进YOLOv4算法在车辆检测中的应用

针对处在恶劣的天气、严重遮挡、过暗或过亮的光照等复杂环境下,现存的目标检测算法对车辆的检测准确度不高,针对该问题提出了基于YOLOv4的改进算法来检测目标车辆。使用图像处理算法处理数据集,模拟复杂环境,以增强算法的鲁棒性;使用K-means++聚类算法优化先验框参数,提高先验框与目标的匹配度;在骨干网中加入空洞卷积（Dilated Convolution）模块,使骨干网络能更好地提取车辆特征;使用Focal Loss损失函数代替交叉熵损失函数,解决检测过程中正样本数和负样本数相差过大的问题。通过实验可得m AP为86.13%,相较原YOLOv4算法提高了7.31%,检测精度在一定程度上优于原YOLOv4检测算法。     

基于改进的YOLOv4的目标识别研究

目标识别与检测作为模式识别领域的一种典型应用,如何快速准确地进行目标识别一直是个重要的研究课题。在深度学习算法中,YOLOv4和R-CNN具有出色的目标检测性能,为了改进目标识别中小目标的实时检测,提出了改进的YOLOv4目标检测算法。使用K-means聚类算法设计先验框,用于适应不同的中小型规模;根据中小型标记物体的大小提取一个特征层,并融合四个不同的特征层进行检测;将Mish激活函数应用于检测模型的颈部,取代泄漏的ReLU激活函数,以提高检测性能。实验结果表明,改进后的算法可有效提高检测精度。     

基于改进YOLOv5的交通车辆目标检测

随着城市人口的不断增加,不同的车辆使得交通状况越来越复杂。对此番现象进行研究之后,提出了一种改进的YOLOv5深度神经网络模型来实现交通中的车辆识别与检测,将有效帮助交通管理部门分析车辆和行人的运行状况。在分析YOLOv5算法的核心后,并针对交通目标尺度变化大的特点,充分利用了YOLOv5算法检测轻量化、速度快、实时性强的性质,并在此基础上,用FPN架构改进网络结构以便适应目标尺度的剧烈变化,用改进的K-means算法选出更加适合的初始候选框,不仅提高了运行速度,而且满足了实时性和准确性的要求,最终获得了较为成功的目标检测效果及其方案。     

基于轻量化YOLOv4模型的车辆检测方法

当前,各类基于深度学习的车辆检测模型大多存在参数量大的问题,导致对模型运行的硬件系统要求较高,难以移植到嵌入式平台。为了减小模型的参数量,提升模型的检测速度,本文提出一种基于改进的YOLOv4的轻量化目标检测模型,使用MobileNetV2网络替换YOLOv4的主干特征网络,将普通卷积替换为深度可分离卷积。同时,为了保证模型检测精度,使用K-Means++算法聚类得到预设锚框。实验结果表明,所设计的模型参数量从原YOLOv4网络的64.36 Mb压缩到了11.73 Mb,同时检测速度为47.31 f·s^(-1),能够满足道路车辆检测的实时性要求。     

基于计算机视觉的车辆目标检测算法研究

计算机视觉技术在车辆目标检测领域已有重要的应用。本文以计算机视觉技术为基础,深入研究和分析运动目标识别与追踪算法的性能。在此基础上,提出车辆目标检测算法,并通过实验验证算法的实用性和可行性。实验结果表明,车辆目标检测算法能够大幅提高检测精度,减少误报率和漏报率,同时具有良好的运行效果。这项算法具有较强的实用性和应用价值。     

基于改进YOLOv5的红外车辆检测方法

红外图像可在低照度、恶劣天气等条件下工作,红外车辆检测技术旨在使用红外传感器来监测道路上的车辆,实现对车辆数量、车速等信息的收集与分析,该技术不仅可应用于路面车辆,还可应用于铁路、机场、港口等场景,为交通运输行业的安全和便捷提供了有效的技术支持。然而,由于红外图像成像原理的局限和外部环境的干扰,通常导致红外图像成像质量不理想,红外车辆检测仍然存在许多问题。文中提出了一种改进的YOLOv5模型,在YOLOv5的主干部分引入了混合注意力机制,使模型能够更好地关注研究者感兴趣的区域,抑制图像噪声的干扰。此外,在BiFPN基础上提出了一种改进的Z-BiFPN特征融合结构,融合更多的浅层信息,提高浅层信息利用率,并增加一个四分之一下采样的小目标检测层,同时将YOLOv5的检测头替换为解耦头来提升模型的检测能力。在自建的七类红外车辆数据集INFrared-417上进行了实验,验证了算法的有效可行性。与原始YOLOv5相比,m AP从81.1%提升到了85.3%。     

基于改进YOLOv4的车型检测算法研究

针对车型检测任务中存在错检、漏检的问题,提出一种改进YOLOv4的车型检测算法。首先,使用CBAM-DenseNet-BC网络代替原始特征提取网络CSPDarKNet53,加强网络对车型重要特征信息的提取能力,从而提高特征信息的利用率;然后将SPPNet替换成ASPPNet,增大网络感受野的同时减少网络计算量,并使得特征图分辨率的降低速度变缓;其次,为加快模型推理速度,将原始算法检测模块中负责检测小目标的分支裁剪;最后,为检测车型类别信息的同时关注其位置信息,在检测模块YOLO-Head之前添加CBAM模块。实验结果表明改进后的算法的mAP值为95.22%,比原始算法提高了1.93%。改进后的算法能够有效地检测出车型,准确率相对于其它算法有所提高。     

Vehicle and pedestrian detection method based on improved YOLOv4-tiny

Aiming at the problem of low detection accuracy of vehicle and pedestrian detection models, this paper proposes an improved you only look once v4 (YOLOv4)-tiny vehicle and pedestrian target detection algorithm. Convolutional block attention module (CBAM) is introduced into cross stage partial Darknet-53 (CSPDarknet53)-tiny module to enhance feature extraction capabilities. In addition, the cross stage partial dense block layer (CSP-DBL) module is used to replace the original simple convolutional module superposition, which compensates for the high-resolution characteristic information and further improves the detection accuracy of the network. Finally, the test results on the BDD100K traffic dataset show that the mean average precision (mAP) value of the final network of the proposed method is 88.74%, and the detection speed reaches 63 frames per second (FPS), which improves the detection accuracy of the network and meets the real-time detection speed.     

改进的YOLOv4红外图像行人检测算法

在夜视红外行人检测的定位任务中,样本取样机器处于高点俯拍,使得所拍摄到的行人目标体积较小.此外,行人时刻处于活动状态,与摄像头的距离不同,导致检测时同类目标在图中的大小有一定的差异.基于YOLOv4算法,本文提出了一种改进的YOLOv4红外行人检测算法,对YOLOv4的网络结构进行了优化.采用形变卷积为核心组件,构建形变特征提取模块提升对于目标特征提取的有效性;针对形变卷积对特征提取网络模块进行优化.结果表明,改进后的算法在整体鲁棒性、召回率、F1-Score等评价指标方面均优于其它算法.     

基于改进YOLOv5的潜艇目标检测算法

为了解决传统潜艇目标检测缺乏对复杂背景和噪声的鲁棒性、对光照变化和视角变化敏感、难以处理大规模数据集等问题,提出了一种基于改进YOLOv5潜艇目标检测器。通过C3_Transformer结构,有效提升了特征的全局上下文建模能力和长距离依赖性捕捉能力;通过simOTA解决anchorbased算法中正负样本不平衡问题,增强模型对小目标和困难样本的学习能力;利用decoupledhead的思想解决分类和位置预测任务的互斥性问题,提高检测精度和鲁棒性。实验结果表明:相较于原始YOLOv5,改进后的模型Precision、Recall、mAP05、mAP 05∶095分别提高了28、109、38、147,这表明改进后的模型在潜艇目标检测的准确性、召回率以及在不同置信度阈值下的平均准确率等方面取得了明显的进步,同时在实际检测任务中改进后的模型有效解决了“漏检”、“误检”的问题。     

基于改进YOLOv3算法在垃圾检测上的应用

现阶段我国主要靠人工对垃圾进行分拣,存在安全 系数低、效率低下等问题。传统目标检测方法针 对种类繁多,形态各异的垃圾目标不易设计特征,鲁棒性较差,为实现自然环境下垃圾的快 速精准识别, 本文提出一种基于深度学习的轻量级垃圾分类检测方法。该方法通过引入CIOU边框回归损 失函数来提高 回归框准确率;针对低功耗移动设备终端的部署,提出一种以YOLOv3目标检测算法为基础 ,结合 MobileNetV3的特征提取网络,对算法进行轻量化;在YOLO层加入GRU结构,利用多门控 循环神经网 络结构对YOLO层中不同大小的特征图建立记忆链接,对深层语义特征的向前融合过程进行 过滤和筛选, 使得特征融合效果更佳;使用迁移学习预训练的方式来提高模型的特征提取能力和泛化能力 。文本采用自 制的Garbage数据集对改进后的网络进行训练和测试,结果表明,本文提出的算法识别效果 显著,平均准 确率为90.50%,高于原YOLOv3网络的平均准确率86.30%,检测速度达到18帧/秒,满足实时检测的 需求。实验表明,改进后的网络模型能在保证检测准确率和速度的同时,有效降低模型参数 量,具有一定应用价值。     

基于改进YOLOv5的路面坑洼检测算法研究

路面坑洼作为路面结构的重要缺陷之一,对于保障自动驾驶车辆的行驶安全或移动机器人运行具有重大意义。在处理路面坑洼检测时,面临着挑战性的计算机视觉任务,要求在不同的工况下对多样化的数据样本进行处理。诸如雾、雨、雪等天气因素会对道路图像的质量和可见性产生负面影响,进而增加了数据预处理和特征提取的难度。传统的目标检测算法通常难以有效适应这些场景变化,导致训练数据集无法充分反映道路坑洼的多样性和复杂性,从而降低了目标检测模型的泛化能力和准确性。在实际应用中,这些方法容易导致漏检和误检的错误,对道路状况识别和评估的效率和质量造成影响。本文提出了一种基于YOLOv5的改进的路面坑洼检测算法,通过引入一个概念简单、功能强大但非常新颖的注意力机制(BiFPN),并替换适合的激活函数与损失函数,提升了模型的检测精度以及查全率,同时降低计算参数,简化检测模型。经实验验证,本文改进的算法与原模型相比准确率(Precision)提升了7.2,召回率(Recall)提高了5.5,平均准确率(mAP)达到了80.8,较原YOLOv5s模型提升了2.1。综上,与常用的一类传统算法相比,本文的改进算法能在几乎不牺牲运行速度的情况下较为明显地提高检测精度,降低漏检率,且不影响检测时的帧率,具有较好的移动端部署价值与对相应研究的参考价值。     

基于改进YOLOv7的机载红外弱小目标检测算法

随着现代化战争的技术升级,机载红外探测领域对更快更远更准地发现目标的需求日益强烈。为满足机载环境下对红外弱小目标高精度高帧率的检测,本文提出了一种基于YOLOv7改进的目标检测算法,以YOLOv7目标检测算法为基础,进行了修改网络结构和加深卷积层数来使特征提取更多的小目标信息特征；并对骨干网络获取的特征层引入注意力机制来提高神经网络对小目标的感知能力以及提高小目标所在区域的权重占比；使用EIOU损失函数替换原本的CIOU损失函数,提高了收敛速度和定位精度。实验结果表明,相较于原算法YOLOv7,在极小损失帧率的情况下,改进后的算法mAP可以达到9849,相较原始算法提升了124,有助于提升对机载红外弱小目标的检测准确率。     

基于改进YOLOv4的遥感图像目标检测

针对遥感图像在复杂背景下因特征提取和表达能力不足而存在漏检和检测效果不佳的问题,提出一种优化特征提取网络的YOLOv4算法模型。该改进模型引入了一种新的Dense-PANet结构以获取更高的分辨率特征,并通过在特征提取网络中嵌入注意力机制以适应遥感图像因视野范围大而导致复杂背景下小目标漏检和检测效果不佳的问题。为了证明本文所提方法的有效性,针对DIOR遥感数据源进行了对比实验,结果表明,本文算法平均准确率(mean average precision,mAP)为86.55%,相比原算法提高了2.52%,较YOLOv3、RetinaNet提高了6.58%、14.09%,验证了所改进算法的有效性。     

基于改进YOLOv5的超分辨率和多尺度融合目标检测算法

为了提升目标检测算法在多尺度学习方面的能力,尤其是对小目标的检测能力,本文提出了一种基于改进YOLOv5的超分辨率和多尺度融合目标检测算法。首先,该算法使用子像素卷积代替原YOLOv5模型的上采样操作,提高图像的分辨率,并尽可能保留小目标的信息。其次,使用并行快速多尺度融合(parallel fast multi-scale fusion,PFMF)模块实现深层特征和浅层特征的双向融合,将原YOLOv5算法的3尺度预测升级为4尺度预测,以此提高模型多尺度特征学习能力和对小目标的检测效果。实验结果表明,与YOLOv5s相比,改进后的模型在PASCAL VOC数据集中,mAP@0.5提高了2.8个百分点,mAP@0.5∶0.95提高了3.5个百分点;在MS COCO数据集中,mAP@0.5提高了4.3个百分点,mAP@0.5∶0.95提高了5.2个百分点。改进后的 YOLOv5模型在多尺度检测,尤其是小目标的检测效果方面得到了提升,并具有一定的应用价值。     

基于YOLOv4目标检测算法的轻量化网络设计

目标检测是计算机视觉领域的一个重要研究方向,在交通监控、人机交互等方面都有着广泛的应用.目前,基于深度学习的YOLOv4检测网络与传统目标检测相比,其检测精度虽然有所提高,但存在网络参数量大、对计算机硬件要求较高等问题.针对于此,本文对YOLOv4网络进行了改进,即采用MobileNetv2与YOLOv4的主干特征提取...