在智能交通系统和自动驾驶等领域中,车辆目标检测的准确性和鲁棒性至关重要。然而,现有目标检测模型的性能在复杂交通场景中显著下降,难以满足实际应用需求。为此,提出了一种基于“你只看一次”(You Only Look Once,YOLO)改进的车辆目...在智能交通系统和自动驾驶等领域中,车辆目标检测的准确性和鲁棒性至关重要。然而,现有目标检测模型的性能在复杂交通场景中显著下降,难以满足实际应用需求。为此,提出了一种基于“你只看一次”(You Only Look Once,YOLO)改进的车辆目标检测模型——YOLOv5-MultiSEAM。首先,采用交并比(intersection over union,IoU)距离替代欧式距离作为K-means算法的评价标准,优化了锚框聚类算法;其次,在YOLOv5模型的检测头部引入了由YOLO-Face提出的空间增强注意力模块(spatially enhanced attention module,SEAM),有效提升了遮挡情况下的检测性能;最后,采用Focaler-IoU Loss替代传统定位损失函数,实现了更为精准的定位和更快速的收敛。在城市事故检测与跟踪(urban accident detection and eracking,UA-DETRAC)公开数据集上的实验结果表明,该模型在车辆目标检测领域具有效性和优越性。展开更多
文摘在智能交通系统和自动驾驶等领域中,车辆目标检测的准确性和鲁棒性至关重要。然而,现有目标检测模型的性能在复杂交通场景中显著下降,难以满足实际应用需求。为此,提出了一种基于“你只看一次”(You Only Look Once,YOLO)改进的车辆目标检测模型——YOLOv5-MultiSEAM。首先,采用交并比(intersection over union,IoU)距离替代欧式距离作为K-means算法的评价标准,优化了锚框聚类算法;其次,在YOLOv5模型的检测头部引入了由YOLO-Face提出的空间增强注意力模块(spatially enhanced attention module,SEAM),有效提升了遮挡情况下的检测性能;最后,采用Focaler-IoU Loss替代传统定位损失函数,实现了更为精准的定位和更快速的收敛。在城市事故检测与跟踪(urban accident detection and eracking,UA-DETRAC)公开数据集上的实验结果表明,该模型在车辆目标检测领域具有效性和优越性。
