期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
ETF-YOLO11n:交通图像的多尺度特征融合目标检测方法
1
作者 夏淑芳 尹昊楠 瞿中 《计算机科学》 北大核心 2025年第12期150-157,共8页
近年来深度学习算法在计算机视觉领域取得了显著的进展,但是由于复杂交通图像中存在目标尺寸小、特征信息不明显、易受干扰等问题,目标检测精度依旧不高。针对这一问题,对最先进的检测模型YOLO11进行改进,设计了多尺度特征融合模型ETF-Y... 近年来深度学习算法在计算机视觉领域取得了显著的进展,但是由于复杂交通图像中存在目标尺寸小、特征信息不明显、易受干扰等问题,目标检测精度依旧不高。针对这一问题,对最先进的检测模型YOLO11进行改进,设计了多尺度特征融合模型ETF-YOLO11n(Effective Traffic Feature YOLO)。首先,设计了三重特征融合模块TFF,将主干网络提取到的不同尺寸特征信息进行有效融合;其次,设计了基于混合空洞卷积的特征加强模块HDCFE,并添加至模型的颈部网络中整合不同感受野提取到的特征,降低因为遮挡等情况对模型的干扰;最后,用提出的GeoCIoU替代CIoU,通过两个不同的惩罚项,模型能更精准地反馈检测框与真实框的匹配情况。所提出的ETF-YOLO11n在交通数据KITTI上AP达到65.6%,mAP@0.5达到90.7%,与基线模型YOLO11n相比分别提升了2.4个百分点和1.2个百分点,体现了良好的检测效果。此外,ETF-YOLO11n在COCO-Traffic数据集上AP和mAP@0.5分别达到了42.5%和59.8%;所提出的方法迁移至YOLOv8模型,在KITTI数据集上AP和mAP@0.5分别达到66.9%和91.5%。实验结果表明,所提出的方法能显著提升模型的检测能力,且对不同模型和数据集都有较好的泛化性,在精度与参数量上达到了很好的平衡1)。 展开更多
关键词 目标检测 多特征融合 交并比 特征加强 复杂交通场景
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部