本文以提高道路交通标志检测的准确率为目标,以解决目前YOLOv5模型在复杂场景下识别准确率较低的问题,拟采用改进的BoTNet结构来提高图像的整体感知能力,并通过对C3GBneckv2结构的优化,提高特征融合的效率。在此基础上,本文提出了一种...本文以提高道路交通标志检测的准确率为目标,以解决目前YOLOv5模型在复杂场景下识别准确率较低的问题,拟采用改进的BoTNet结构来提高图像的整体感知能力,并通过对C3GBneckv2结构的优化,提高特征融合的效率。在此基础上,本文提出了一种改进的MPDIoU损耗函数,使其更好地实现对交通标志的定位与形态的准确识别。实验表明,该方法能够较好地解决多个问题:准确率提升3.9%,召回率提升5.4%,F1得分与平均精确度(mean Average Precision,mAP)提升4.7%和4.6%。通过对各个模块的单独测试,发现每个模块都对系统的总体性能提高起到了非常重要的作用。本文为自动驾驶和智能交通系统中的交通标志自动检测技术提供了强有力的支持,并为视觉识别领域的应用开辟了新的路径。展开更多
文摘本文以提高道路交通标志检测的准确率为目标,以解决目前YOLOv5模型在复杂场景下识别准确率较低的问题,拟采用改进的BoTNet结构来提高图像的整体感知能力,并通过对C3GBneckv2结构的优化,提高特征融合的效率。在此基础上,本文提出了一种改进的MPDIoU损耗函数,使其更好地实现对交通标志的定位与形态的准确识别。实验表明,该方法能够较好地解决多个问题:准确率提升3.9%,召回率提升5.4%,F1得分与平均精确度(mean Average Precision,mAP)提升4.7%和4.6%。通过对各个模块的单独测试,发现每个模块都对系统的总体性能提高起到了非常重要的作用。本文为自动驾驶和智能交通系统中的交通标志自动检测技术提供了强有力的支持,并为视觉识别领域的应用开辟了新的路径。