车辆检测是智能交通系统和自动驾驶的重要组成部分。然而,实际交通场景中存在许多不确定因素,导致车辆检测模型的准确率低实时性差。为了解决这个问题,提出了一种快速准确的车辆检测算法——YOLOv8-DEL。使用DGCST(dynamic group convol...车辆检测是智能交通系统和自动驾驶的重要组成部分。然而,实际交通场景中存在许多不确定因素,导致车辆检测模型的准确率低实时性差。为了解决这个问题,提出了一种快速准确的车辆检测算法——YOLOv8-DEL。使用DGCST(dynamic group convolution shuffle transformer)模块代替C2f模块来重构主干网络,以增强特征提取能力并使网络更轻量;添加的P2检测层能使模型更敏锐地定位和检测小目标,同时采用Efficient RepGFPN进行多尺度特征融合,以丰富特征信息并提高模型的特征表达能力;通过结合GroupNorm和共享卷积的优点,设计了一种轻量型共享卷积检测头,在保持精度的前提下,有效减少参数量并提升检测速度。与YOLOv8相比,提出的YOLOv8-DEL在BDD100K数据集和KITTI数据集上,mAP@0.5分别提高了4.8个百分点和1.2个百分点,具有实时检测速度(208.6 FPS和216.4 FPS),在检测精度和速度方面实现了更有利的折中。展开更多
针对水下光线衰减、散射等影响导致水下目标检测效果不佳的问题,提出一种基于YOLOv8的水下目标检测框架ERMS-YOLOv8,提升水下目标检测性能。主干网络采用高效视觉transformer网络(efficient vision transformer,EfficientViT),增强模型...针对水下光线衰减、散射等影响导致水下目标检测效果不佳的问题,提出一种基于YOLOv8的水下目标检测框架ERMS-YOLOv8,提升水下目标检测性能。主干网络采用高效视觉transformer网络(efficient vision transformer,EfficientViT),增强模型对水下生物的特征提取能力,减少特征信息丢失;Neck部分采用高效重参数化广义特征金字塔网络(reparameterized generalized-directional feature pyramid network,RepGFPN),增强模型对水下生物高层语义和低级空间特征的提取和融合能力,使得模型获取更加丰富的特征信息;引入混合局部通道注意力机制(mixed local channel attention for object detection,MLCA),使得模型同时融合通道信息、空间信息、局部通道信息和全局通道信息,增强了模型的表征能力;引入可扩展交并比损失函数(scalable intersection over union loss,SIoU),提升模型对目标边界信息的提取能力,从而进一步提高检测精度。实验结果表明,改进后的算法在UPRC2021和DUO数据集上mAP值分别达到83.9%和84.4%,与基准YOLOv8算法相比都有提高,在水下目标检测中具有优越的性能。展开更多
基于无人驾驶领域的飞速发展,为提高道路行人目标检测的速度和精度,提出一种基于YOLOv5网络改进的YWYOLO的道路行人目标检测方法,在YOLOv5模型的neck结构中改入RepGFPN,充分交换高级语义信息和低级空间信息,添加自适应融合机制,引入SimA...基于无人驾驶领域的飞速发展,为提高道路行人目标检测的速度和精度,提出一种基于YOLOv5网络改进的YWYOLO的道路行人目标检测方法,在YOLOv5模型的neck结构中改入RepGFPN,充分交换高级语义信息和低级空间信息,添加自适应融合机制,引入SimAM注意力模块机制,提高算法的特征提取能力,在损失函数方面,使用Optimal Transport Assignment优化损失函数。实验结果表明,所提算法与原算法相比,在道路行人类别数据集上识别精确率由38.1%提升到52.6%,检测速度由29.4 fps提高到30.8 fps,具有更好的检测效果。展开更多
文摘针对水下光线衰减、散射等影响导致水下目标检测效果不佳的问题,提出一种基于YOLOv8的水下目标检测框架ERMS-YOLOv8,提升水下目标检测性能。主干网络采用高效视觉transformer网络(efficient vision transformer,EfficientViT),增强模型对水下生物的特征提取能力,减少特征信息丢失;Neck部分采用高效重参数化广义特征金字塔网络(reparameterized generalized-directional feature pyramid network,RepGFPN),增强模型对水下生物高层语义和低级空间特征的提取和融合能力,使得模型获取更加丰富的特征信息;引入混合局部通道注意力机制(mixed local channel attention for object detection,MLCA),使得模型同时融合通道信息、空间信息、局部通道信息和全局通道信息,增强了模型的表征能力;引入可扩展交并比损失函数(scalable intersection over union loss,SIoU),提升模型对目标边界信息的提取能力,从而进一步提高检测精度。实验结果表明,改进后的算法在UPRC2021和DUO数据集上mAP值分别达到83.9%和84.4%,与基准YOLOv8算法相比都有提高,在水下目标检测中具有优越的性能。
文摘基于无人驾驶领域的飞速发展,为提高道路行人目标检测的速度和精度,提出一种基于YOLOv5网络改进的YWYOLO的道路行人目标检测方法,在YOLOv5模型的neck结构中改入RepGFPN,充分交换高级语义信息和低级空间信息,添加自适应融合机制,引入SimAM注意力模块机制,提高算法的特征提取能力,在损失函数方面,使用Optimal Transport Assignment优化损失函数。实验结果表明,所提算法与原算法相比,在道路行人类别数据集上识别精确率由38.1%提升到52.6%,检测速度由29.4 fps提高到30.8 fps,具有更好的检测效果。
