改进YOLOv5的无人机影像道路目标检测算法

针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度融合卷积注意力模块(Convolutional block attention module,CBAM)的YOLOv5道路目标检测算法,即YOLOv5s-FCC。首先,引入小目标感知层对模型进行多尺度改进,增加一个针对小目标的YOLO检测头以提高网络对道路中小目标的特征提取能力。其次,利用CBAM融合空间和通道信息以增强网络中的重要信息,通过将CBAM引入Backbone主干网络不同位置,以获得CBAM最佳融合位置。最后,采用CIo U作为损失函数,以提高边界框预测所需的计算速度和精度。在自建的无人机道路目标数据集上进行训练,结果表明,相较YOLOv5算法,YOLOv5-FCC算法可将mAP50和mAP50-95分别提高2.0%和4.2%。在VisDrone数据集上也验证了YOLOv5-FCC算法的有效性,并建立了基于无人机的道路目标检测系统,实现道路目标的自动检测。

复杂环境下的轻量化道路目标识别算法研究

道路目标识别是智能交通系统解决城市拥堵问题的核心技术之一,然而现有算法在复杂交通环境下识别效果较差,存在大量漏检和误检情况,且模型参数量大,不适合在实际场景下部署于资源有限的移动端设备。针对以上问题,提出一种复杂环境下的轻量化道路目标识别算法。基于SSD算法结构设计一种可重构的特征提取网络框架,利用3种轻量化模块分别构建浅层特征提取网络,以自定义的Additional Block构建深层特征提取网络,并分别采用通道注意力机制和轻量化感受野扩大(RFB-L)模块提升模型对各尺寸目标的检测效果。利用自定义的像素与通道信息融合模块实现浅层与深层特征的融合,丰富待检测特征图包含的信息。同时,提出一种多特征融合的学习率调节算法,使得训练过程中模型性能稳定地达到收敛。自制复杂拥堵道路数据集Hohhot_city用于算法训练和测试,与主流算法的对比实验结果表明,该算法性能明显优于参数量同级别的YOLOv4-tiny和YOLOv5s算法,在参数量不到YOLOv5m算法40%的情况下与其检测精度接近,并取得了12.8 ms的推理时间和99.1%的均值平均精度。

改进YOLOv8n的道路目标检测算法

针对道路场景中目标尺度多变、复杂背景干扰导致检测精度低、漏检率高的问题,提出一种改进YOLOv8n的道路目标检测算法。引入多样化分支块(diverse branch block,DBB)构建C2fDBB模块,替代原算法中的C2f模块,增强网络多尺度特征提取能力。在路径聚合网络(path aggregation network,PANet)的基础上结合渐进特征金字塔网络(asymptotic feature pyramid network,AFPN)思想,提出PA-AFPN(path aggregation progressive feature pyramid network)特征融合方式,提升网络对多尺度特征的融合能力。设计SPPF2_TA(SPPF with dual-branch structure incorporating triplet attention)模块,通过在SPPF(spatial pyramid pooling fast)中引入平均池化分支和三重注意力机制(triplet attention,TA),有效整合多尺度信息,降低背景干扰对检测的影响。采用MPDIoU作为新边界回归损失函数,替代原损失函数,加速算法收敛,提高目标定位精度。在公开道路目标数据集BDD100K和SODA10M上的实验结果显示,改进方法的mAP@0.5相较于基线算法分别提升了5.7个百分点和7.3个百分点,计算量降低了0.6 GFLOPs。与其他主流目标检测方法相比,改进方法在计算量、FPS和mAP@0.5等方面均展现出显著优势,更加契合道路场景下的目标检测任务需求。

改进YOLOv8s的道路目标检测算法

针对现有目标检测算法在道路场景中易出现的目标错检问题、小尺度和重叠目标易出现漏检问题,提出一种改进YOLOv8s的道路目标检测模型。该模型使用AFPN(Asymptotic Feature Pyramid Network)替换YOLOv8s模型的颈部网络,以强化模型对多尺度特征的融合能力,减少模型的参数量,提高检测性能;引入GAM注意力机制,增强模型对目标的特征提取能力;使用EIoU代替原损失函数,提高模型对目标定位的能力。实验结果表明,改进的YOLOv8s模型在自动驾驶领域经典数据集KITTI上的mAP@0.5及mAP@0.5:0.95分别提高了1.6和2.2个百分点。综合说明,改进模型有效提升了对道路目标的检测性能,能更好地满足自动驾驶和智能交通系统的需求。

基于改进YOLOv5网络模型的无人机影像道路目标检测

针对无人机遥感道路影像内目标分布混乱且尺寸差异大、负样本所占比例较高等问题,提出了基于YOLOv5X的无人机遥感影像道路目标检测模型RA_YOLOv5。采用感受野-坐标注意力卷积替换骨干网络内的常规卷积核,然后以空洞-空间金字塔池化-通道注意力层替换原始特征金字塔池化层;在特征融合网络中引入自适应特征融合层,通过特征图加权融合解决不同尺寸检测图之间样本、背景矛盾的问题;使用解耦检测头分别计算回归、分类任务,并替换损失函数以缓解正负样本不均衡问题。实验结果表明,RA_YOLOv5在VisDrone数据集上平均精度均值达到90.42%,较YOLOv5X提高了7.85%,在测试环境下,检测帧数达到35.46帧每秒,能够实际输出检测结果,同时具有良好的稳定性,能够在道路巡检、交通流量监控、应急事故处理等多种场景下发挥重要作用。

基于注意力机制和特征融合的道路目标检测算法

针对道路检测目标小、模型特征融合不充分等问题,提出了一种基于注意力机制和多尺度特征融合的道路目标检测算法MFFDM。该算法将Resnext50网络与注意力模块进行融合形成新的主干特征提取网络;其次,新增具有空间位置信息的底层检测层来匹配对小物体的检测;另外,利用反卷积模块及特征纹理提取模块设计多尺度特征融合网络DEFTFN。实验表明,与FCOS算法相比,该算法在KITTI数据集上的平均精度提升了9.3%,对道路行人目标的检测精度提升明显,提升幅度达14.6%。

基于Hough变换的高分辨SAR图像道路目标检测

给出了一种检测高分辨率SAR图像道路目标的方法。该方法首先对原始图像进行一系列的预处理,然后利用Hough变换识别道路。在提取感兴趣区域时,该算法采用了高斯概率迭代方法代替了一般的CFAR检测或阈值分割;在进行Hough变换时,该算法用平均Hough变换代替一般的Hough变换;在检测变换域峰值点时,采用了结合全局CFAR检测的最大值点搜索的方法;最后对检测出来的准道路,该算法根据道路的独具性质进行鉴别,以确定其是否确实为道路。使用MSTARRedstone实测杂波图进行实验,取得了满意的效果。

一种基于特征融合的道路目标检测方法

当前复杂的道路交通环境给公众的安全出行带来了严峻挑战。在实际道路交通场景中进行目标检测时,传统的目标检测方法难以提取到能够适用道路多目标检测的有效特征,进而影响目标检测的准确性。文章以道路目标精准检测为研究出发点,结合当前先进的卷积神经网络技术,提出了一种基于特征融合的目标检测方法,即采用多个不同尺度的卷积核对特征提取方法进行改进,并通过所设计的特征融合及优化方案对所提取的特征进行更深入的表达。仿真实验证明,新方法与原始Faster-RCNN方法相比,对目标车辆的检测准确率提升了0.06%,对目标行人的检测准确率提升了0.16%,为复杂道路交通环境下的道路目标检测提供了可靠的实现方法与途径。

基于改进YOLOv5的道路目标检测

为提高自动驾驶中的道路目标检测精度,设计了一种基于YOLOv5的道路目标检测模型。该模型在YOLOv5s的网络模型基础上,将原始的初始锚框聚类算法改为K-means++算法来减小随机带来的聚类误差;并在Backbone中SPP模块之前引入SENet注意力机制,以增强道路目标重要特征并抑制一般特征,达到提高检测网络对道路目标的检测能力。在VOC2012改进数据集上训练、测试,基于改进的YOLOv5s的模型比原始YOLOv5s模型平均准确精度提高了2.4%。实验结果表明,改进的YOLOv5s模型能较好地满足道路目标检测的精度要求。

论中国特色社会主义现代化道路目标模式的创新

中国特色社会主义现代化道路目标模式即物质文明、政治文明和精神文明全面发展,其创新之处主要体现在发展观、理论体系和制度三方面。发展现创新分为指导思想、理论依据、发展战略、战略方针和思想观念。指导思想是主线,为其发展指明了方向;理论体系创新包括由以社会主义计划经济体制为核心的理论体系转向以社会主义市场经济体制为核心的理论体系和由两个文明理论体系转向三个文明理论体系的两个层次。为其发展奠定了理论基础;制度创新体现在经济体制、政治体制和科技教育文化卫生体制改革等方面,为其发展提供了制度保障。

大比例栅格地形图中城区道路目标的自动识别

城市GIS发展迅速，各种大比例地形图是其基础数据，流行的地图数据数字化方法效率很低，一定程度上已经成为城市GIS发展的障碍，扫描输入技术有望解决这个问题。扫描输入技术的核心是地图符号的自动识别，城区道路目标是城镇地区大比例尺地形图中的一类主要目标，但现有大多数识别方法采用的都是先分割后识别的策略，使得分割难以充分利用目标符号的有关知识约束，本文提出并实现了大比例尺地形图中城区道路目标自动识别的分割识别一体化方法。

用于多尺度道路目标检测的优化定位置信度改进算法

为了提高多尺度道路目标的检测性能,本文针对目标检测算法在非极大值抑制阶段的检测质量表征不合理问题,提出了一种优化定位置信度改进算法.首先基于RepPoints构建研究框架,研究定位置信度对多尺度道路目标的敏感性.在敏感性研究结果的基础上,本文提出了混合定位置信度.然后针对IoU定位置信度无法区分重叠程度相同的包围框的缺陷,提出了CIoU定位置信度.最后将这两种定位置信度结合得到优化定位置信度改进算法,解决了检测质量表征不合理问题.在道路场景数据集Cityscapes上的实验结果表明,混合定位置信度和CIoU定位置信度单一作用时均有效,共同作用时精度提高2.4%,多尺度目标检测精度均有显著提升,且实时性没有下降.相较于主流道路场景检测算法如Cascade-RCNN、FCOS等,本文算法取得了最高的mAP、AP M和AP L.

基于红外可见光融合的低能见度道路目标检测算法

红外图像与可见光图像均被广泛用于目标检测领域,但单模态图像难以满足低能见度道路目标检测的需求,因此本文从双模态融合角度出发,提出一种基于红外可见光融合的低能见度道路目标检测算法。首先,运用多种红外可见光双模态图像融合算法对输入图像进行预处理,并对融合图像的均值、标准差、信息熵、平均梯度、空间频率等5个参数进行定量分析,然后,优化训练检测网络得到针对低能见度道路目标的检测模型,最后,从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明,本文算法训练出的模型误检率和漏检率较其他算法明显降低,检测精度较现有算法使用单模态图像由75.51%提升到88.86%,且图像处理速度能够满足实时检测的需求。

改进Faster R-CNN的道路目标检测

针对道路场景下各目标尺度复杂导致的检测精度低问题,提出一种面向道路目标的多尺度Faster R-CNN算法。分析数据集标注的面积及长宽比分布以设置合适尺寸的锚框,提高锚框与目标的匹配度,模型对道路小目标的平均精准度提升了13%以上。在Faster R-CNN网络的特征提取部分加入特征金字塔结构,融合不同尺度特征图的信息提高检测性能。在BDD100K数据集下进行实验,结果表明该方法与原有Faster R-CNN模型相比检测速率稍有下降,mAP得分提升15.1%。

基于改进YOLOv3的道路目标检测

针对YOLOv3在道路目标检测中漏检率高和检测精度低的问题,提出一种基于改进YOLOv3的道路目标检测方法。通过将原有YOLOv3的3个特征尺度增至4个,从而提升了对于小目标的检测准确率。使用CIoU损失函数提高模型的准确性,利用K-Means++聚类算法对道路目标重新聚类,得到新的候选框。在BDD100K数据集上的验证结果表明,改进的YOLOv3算法在降低漏检率和提高检测精度方面效果较好。

基于YOLOv5及DeepSort的道路目标追踪改进算法

面对复杂的道路环境,提出一种基于YOLOv5及DeepSort的道路环境目标追踪优化算法模型。基于YOLOv5进行道路环境目标的识别,使用MobileNetV3网络中的基本结构对DeepSort算法中的重识别网络和YOLOv5中的主干网络进行替换,以起到压缩模型,加快检测速度的效果。在损失函数上,文章采取CIoU和GIoU相结合的方法对原有损失函数进行改造,弥补了GIoU在一些情况下退化成IoU的缺陷。实验结果表明,优化后的网络在模型权重大小下降的同时目标追踪准确度和精度均提升,可以更好达到持续追踪效果。

基于深度强化学习的道路目标检测

道路目标检测是高级驾驶员辅助系统(Advanced Driver Assistant System,ADAS)道路场景分析中的重要一环。提高目标检测的效率和速度,对图像目标的检测和识别具有重要的现实意义。深度强化学习是近年来兴起的一种多层结构的神经网络与具有决策能力的强化学习相结合的一种算法,通过端对端的学习方式来直接控制输入和输出。从提出此方法至今,深度强化学习已经有了实质性的突破。但是仍然有不足之处,因此提出一种改进的基于深度强化学习的检测算法,并将此算法用于道路目标检测。测试结果表明,该算法具有良好的目标检测性能。

面向道路目标检测的多模态融合语义传输

在长尾效应的极端场景下,多车多传感器协作感知可为车辆提供有效的感知信息,但异构数据的差异化带宽限制和不同的数据格式使车辆在处理信息时难以进行统一高效的调度.为了在有限通信带宽下实现不同车辆间多传感器信息的有机融合,文中从语义通信的角度出发,提出基于Transformer的多模态融合目标检测语义通信模型.不同于传统的数据传输方案,文中模型利用自注意力机制融合不同模态的数据,着重探究各模态数据之间的语义相关性与依赖性.在有限的通信资源下帮助车辆进行信息传递和相互协作,提高车辆对复杂路况的理解能力.在Teledyne FLIR Free ADAS Thermal数据集上的实验表明,文中模型在多模态目标检测语义通信任务中表现出色,不仅大幅提升目标检测的准确性,同时也减少一半传输代价.

基于改进YOLOv7的道路目标检测方法

针对现有方法在道路场景中实施目标检测时存在对小目标检测精度低、泛化性能不佳等问题,提出一种基于YOLOv7的改进方法。在特征融合结构中,引入通道注意力机制来抑制更多负样本参与特征学习,同时在融合层末端输出四个尺寸的特征图,以强化对小尺寸目标的检测精度;使用改进K均值聚类(K-means++)算法生成与真实目标宽高更贴合的锚点框,让模型在训练前期快速收敛;最后在检测输出端使用软性非极大值抑制算法,精准检测重叠度较高的目标。以开源中国交通标志数据集(CCTSDB)与腾讯-清华100K(TT100K)数据集混合构建训练与测试数据集,实验结果表明,与原始YOLOv7相比,改进后模型在m_(AP)@0.5、m_(AP)@0.5:0.95指标上分别提升7.9%与5.6%,同时检测速度仅有少量下降,但仍能完成实时检测,同时在不同场景下保持性能稳定,充分证明了本文所提方法能够在复杂道路场景下开展多类目标的快速精准检测。

基于改进YOLOv7的雾天道路目标检测算法

针对于雾天交通场景下道路目标检测的准确性亟待提升的问题,提出一种基于改进YOLOv7-tiny算法。首先,将YOLOv7-tiny中引入上采样算子CARAFE(Content-Aware ReAssembly of Features)模块,以此来提升模型的特征融合能力;将ELAN-tiny模块与多元分支模块DBB(Diverse Branch Block)融合,以增强模型提取特征信息的能力,提升目标检测精度。改进算法在保证轻量化的前提下,能够有效地提升对雾天道路目标的检测性能。实验结果表明,在模型参数量和计算量少量增加的情况下,改进算法相较于基线算法,mAP@50和mAP@50∶95分别提升了1.0%和0.5%,论证了改进算法的有效性。