基于ST-YOLOv5算法的道路交通信号灯检测

针对YOLOv5算法在检测交通信号灯过程中存在的误检、漏检及模型特征提取能力不足等问题,提出改进的交通信号灯检测算法ST-YOLOv5。首先,去除主干网络末端的卷积层,并在末端加入基于窗口和移动窗口的多头注意力机制;其次,设计由高分辨率、低水平特征图组成的检测层;最后,通过增加浅层高分辨率特征与深层强语义特征之间的跨层级连接来缓解由于通道数减少而造成的小目标信息丢失问题,并在多层特征聚合后加入有关通道和位置的注意力机制。实验结果表明,在BDD100K数据集中,此改进算法对交通信号灯的检测精度达到70.10%,有效减少了误检、漏检等问题。

基于改进EfficientFormer的自动驾驶目标检测算法

车辆目标检测技术是自动驾驶车辆环境感知模块的关键,对驾驶安全至关重要。本文在EfficientFormer算法的基础上,使用加入了3×3卷积的FFN替代局部token混合器,抓取局部和全局信息。在注意力中加入深度3×3卷积,将局部信息注入到值矩阵V中,并添加全连接层实现注意力头之间的相互通信。将池化和3×3 DWConv分别作为稳定和可学习局部下采样并进行结合,得到注意力下采样机制。利用4阶段模型和阶段分配进行搜索空间优化。利用BDD100K数据集进行训练,得到改进的EfficientFormer算法的mAP达到58.9%,精准率达到了76.4%,召回率达到了49.1%,比其他主流算法性能更加优越。同时,其在真实场景检测中的延迟降低到了7.2ms,这表明该算法在自动驾驶目标检测中即有精准性又有时效性。

改进YOLOv5的交通灯实时检测鲁棒算法

交通灯检测算法作为自动驾驶任务中的一个重要环节,直接关系到智能汽车的行车安全。因为交通灯尺度小且环境复杂,给算法研究带来了困难。针对交通检测存在的痛点,提出改进YOLOv5的交通灯检测算法。首先使用可见标签比确定模型输入;然后引入ACBlock结构增加主干网络的特征提取能力,设计SoftPool减少主干网络的采样信息损失,使用DSConv卷积核减少模型参数;最后设计了记忆性特征融合网络,高效利用了高级语义信息和底层特征。对模型输入和主干网络的改进,直接提高模型在复杂环境下对特征的提取能力;对特征融合网络的改进,使模型能够充分利用特征信息,增加对目标定位和边界回归的精准度。实验结果表明,改进后的方法在BDD100K数据集上取得了74.3%的AP和111frame/s的检测速度,比YOLOv5提高11.0个百分点的AP;在Bosch数据集上取得了84.4%的AP和126frame/s的检测速度,比YOLOv5提高9.3个百分点的AP。鲁棒性测试结果表明,改进后的模型在各种复杂环境中对目标的检测能力都有显著提升,鲁棒性增加,做到了高精度实时检测。

基于优化YOLOv3算法的交通灯检测

为解决YOLOv3算法在检测道路交通灯时存在的漏检率高、召回率低等问题,提出一种基于优化YOLOv3算法的交通灯检测方法。首先,采用K-means算法对数据进行聚类分析,结合聚类结果和交通灯标签的统计结果,确定先验框的宽高比及其数量。然后,根据交通灯尺寸特点,精简网络结构,分别将8倍降采样信息、16倍降采样信息与高层语义信息进行融合,在两个尺度上建立目标特征检测层。同时,为了避免交通灯特征随着网络的加深而消失的问题,分别减少两个目标检测层前的两组卷积层,简化特征提取步骤。最后,在损失函数中,利用高斯分布特性评估边界框的准确性,以提升对交通灯检测的精度。实验结果显示,优化YOLOv3算法的检测速度可达30 frame/s,平均精准度较原网络提升9个百分点,可以有效完成对交通灯的检测。