在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YO...在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。展开更多
针对复杂海洋环境中存在背景噪声、海洋垃圾特征模糊和目标尺度小的检测挑战,本文提出一种基于改进CenterNet的海洋垃圾无锚检测算法——MG-CenterNet。引入GB(green-blue)注意力机制,通过关注海洋图像绿色、蓝色通道来增强特征提取;利...针对复杂海洋环境中存在背景噪声、海洋垃圾特征模糊和目标尺度小的检测挑战,本文提出一种基于改进CenterNet的海洋垃圾无锚检测算法——MG-CenterNet。引入GB(green-blue)注意力机制,通过关注海洋图像绿色、蓝色通道来增强特征提取;利用跨层特征聚合(cross-layer feature aggregation,CFA)模块丰富关键特征反馈,使模型获取更多像素级语义信息从而精准分类图像;构造完全交并比(complete intersection over union,CIoU)损失函数优化边界框匹配度,进一步提高目标定位精度。MG-CenterNet在TrashCan数据集和自建数据集上分别取得了77.98%和76.92%的平均精确率均值(mean average precision,m AP),推理速度分别达到27.18帧/s和26.98帧/s。研究结果证明MG-CenterNet在检测精度上显著优于其他算法,满足实时检测的要求。低对比度及遮挡条件下的验证实验进一步证明了所提出算法的鲁棒性和可靠性,为复杂环境中的海洋垃圾检测提供了科学参考。展开更多
交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如...交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如车辆碰撞、单车冲撞和车辆起火)检测的准确性和性能。先将原YOLOv6模型中的损失函数替换为CIoU损失函数,以增强模型的定位精度,后引入CBAM注意力机制,以提高模型对关键特征的关注度,再采用自动混合精度训练策略优化训练过程,最后为了验证改进效果,通过游戏引擎Grand Theft Auto V生成数据集,并对其进行标注,涵盖3类交通异常事件。试验结果表明:1)提出的改进YOLOv6模型在交通异常事件的检测任务中可获得87.2%的平均检测精度,在各项指标上表现优异;2)召回率AR较次优模型提高2.1%,IoU阈值为0.5时,平均精度mAP高出2.6%;IoU阈值为0.5至0.95时,mAP增长3.7%;3)车辆相撞、单车相撞和车辆起火烧毁的精度分别达到79.9%、37.6%和65.6%,均优于次优模型,验证了改进方法的有效性。展开更多
文摘在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。
文摘针对复杂海洋环境中存在背景噪声、海洋垃圾特征模糊和目标尺度小的检测挑战,本文提出一种基于改进CenterNet的海洋垃圾无锚检测算法——MG-CenterNet。引入GB(green-blue)注意力机制,通过关注海洋图像绿色、蓝色通道来增强特征提取;利用跨层特征聚合(cross-layer feature aggregation,CFA)模块丰富关键特征反馈,使模型获取更多像素级语义信息从而精准分类图像;构造完全交并比(complete intersection over union,CIoU)损失函数优化边界框匹配度,进一步提高目标定位精度。MG-CenterNet在TrashCan数据集和自建数据集上分别取得了77.98%和76.92%的平均精确率均值(mean average precision,m AP),推理速度分别达到27.18帧/s和26.98帧/s。研究结果证明MG-CenterNet在检测精度上显著优于其他算法,满足实时检测的要求。低对比度及遮挡条件下的验证实验进一步证明了所提出算法的鲁棒性和可靠性,为复杂环境中的海洋垃圾检测提供了科学参考。
文摘交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如车辆碰撞、单车冲撞和车辆起火)检测的准确性和性能。先将原YOLOv6模型中的损失函数替换为CIoU损失函数,以增强模型的定位精度,后引入CBAM注意力机制,以提高模型对关键特征的关注度,再采用自动混合精度训练策略优化训练过程,最后为了验证改进效果,通过游戏引擎Grand Theft Auto V生成数据集,并对其进行标注,涵盖3类交通异常事件。试验结果表明:1)提出的改进YOLOv6模型在交通异常事件的检测任务中可获得87.2%的平均检测精度,在各项指标上表现优异;2)召回率AR较次优模型提高2.1%,IoU阈值为0.5时,平均精度mAP高出2.6%;IoU阈值为0.5至0.95时,mAP增长3.7%;3)车辆相撞、单车相撞和车辆起火烧毁的精度分别达到79.9%、37.6%和65.6%,均优于次优模型,验证了改进方法的有效性。
