基于YOLOX-S的车窗状态识别算法

通过对YOLOX-S模型引入可变形卷积神经网络和焦点损失函数(Focal loss),解决原YOLOX-S模型车窗识别准确率较低的问题.首先，通过在YOLOX-S模型的主干特征提取网络中引入可变形卷积神经网络，对卷积核中的各采样点引入偏移量，以便在原始图像中提取到更具有表征的信息，从而提高车窗识别的精准度；其次，使用Focal loss替代原模型中的二元交叉熵损失函数，Focal loss能缓解正负样本不平衡对训练的影响，其在训练过程中更关注难样本，从而提高了模型对车窗目标的识别性能；最后，为验证改进算法的性能，实验收集并标注15 627张图片进行训练和验证.实验结果表明，改进后的车窗识别算法的平均目标精度提高了3.88%.