基于改进YOLOv3的交通标志检测

针对交通标志检测小目标数量多、定位困难及检测精度低等问题,本文提出一种基于改进YOLOv3的交通标志检测算法.首先,在网络结构中引入空间金字塔池化模块对3个尺度的预测特征图进行分块池化操作,提取出相同维度的输出,解决多尺度预测中可能出现的信息丢失和尺度不统一问题;然后,加入FI模块对3个尺度特征图进行信息融合,将浅层大特征图中包含的小目标信息添加到深层小特征图中,从而提高小目标检测精度.针对交通标志数据集特点,使用基于GIoU改进的TIoU作为边界框损失函数替换MSE函数,使得边界框回归更加准确;最后,通过k-means++算法对TT100K交通标志数据集进行聚类分析,重新生成尺寸更小的候选框.实验结果表明,本文算法与原始YOLOv3算法相比mAP提升11.1%,且检测每张图片耗时仅增加6.6 ms,仍符合实时检测要求.与其他先进算法相比,本文算法具有更好的检测精度和检测速度.     

改进的YOLOv3交通标志识别算法

针对复杂场景下交通标志检测存在精度低、检测速度慢等问题,提出一种基于YOLOv3改进的S-YOLO(stronger-YOLO)交通标志算法。首先,合并批归一化层到卷积层,以提升模型前向推理速度;其次,采用二分K-means聚类算法,确定适合交通标志的先验框;然后引入空间金字塔池化模块,提取特征图深度特征;最后引入完整-交并比(complete-IoU,CIoU)回归损失函数,提升模型检测精度。实验结果表明,在重制的中国交通标志数据集(Chinese traffic sign dataset,CTSDB)下,所提算法与YOLOv3相比,平均准确率和检测速度分别提升了4.26%和15.19%,同时相较YOLOv4以及其他算法对交通标志识别有更优的精度和速度,具有良好的鲁棒性,满足复杂场景高效实时检测。     

基于YOLOv5l和ViT的交通标志检测识别方法

随着交通行业的发展,交通标志检测识别成为了辅助驾驶系统中最热门的研究方向之一。在实际行车道路中,交通标志具有目标小且类别繁多的特点,针对现有检测与识别算法难以同时兼顾准确度和速率的问题,提出一种YOLOv5l(you only look once version 5l)与视觉转换器(vision transformer, ViT)结合的检测与识别方法。首先采用YOLOv5l对目标进行检测,得出交通标志的位置信息,再将其输入ViT进行分类识别,其中特征连接部分引入DenseNet网络模块,来实现原始特征和卷积后特征映射的密集连接,加强特征的传递性,提高识别率。结果表明：在GTSDB和GTSRB数据集上实验效果更佳,交通标志检测速率达到20 ms,准确率达到98.78%,相比全连接层识别准确率提高了约4%。     

基于YOLOv3模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计中的人脸检测框尺寸难于学习问题和将人脸检测、头部姿态估计分为两阶段的模型中流程复杂、耦合程度高、误差累积严重的问题,本文提出一种基于YOLOv3模型的人脸检测与头部姿态估计融合算法。通过K-means聚类方法对训练集中人脸区域的尺寸进行聚类,得出9组聚类结果,以模拟真实情况下人脸区域的尺寸和比例;通过拓展YOLOv3模型,实现人脸检测和头部姿态估计同时进行,并在3个不同层次的特征图上进行人脸检测和头部姿态估计,实现对特征图的多尺度检测,充分利用了特征图中的信息;采用端到端模式进行训练,简化头部姿态估计任务的处理流程。在CAS-PEAL-R1姿态子集上取得99.23%的预测准确率,在Pointing′04数据集上pitch和yaw方向分别取得了3.79°和4.24°的平均绝对误差。结果表明,本模型在满足实时性要求的前提下,能够出色完成人脸区域检测与头部姿态估计任务,充分证实本文方法的可靠性与实用性。     

融合RepVGG的YOLOv5交通标志识别算法

准确检测交通标志已成为自动驾驶不可或缺的任务之一。基于现实场景中小而密集的交通标志,传统方式检测交通标志存在精度较低这一缺陷。针对此问题,提出一种融合RepVGG模块的改进YOLOv5的交通标志识别算法。首先将原算法的部分CBS模块替换为RepVGG模块,加强特征提取能力。并在Neck层融合CBAM注意力机制,强化检测模型的抗干扰能力。最后,在网络训练过程中,使用EIOU损失函数来弥补GIOU损失函数的不足,提高算法的检测精度与迭代速度。实验结果表明,改进后的YOLOv5算法,迭代速度更快,在CCTSDB交通标志数据集上的P、R、mAP值分别达到91.55%、85.04%、91.71%,相比YOLOv5算法能够更好的应用到实践当中。     

一种多尺度YOLOv3的道路场景目标检测算法

针对在自然交通场景中道路不同种类目标的边界框大小差异巨大,现有实时算法YOLOv3无法很好地平衡大、小目标的检测精度等问题,重新设计了YOLOv3目标检测算法的特征融合模块,进行多尺度特征拼接,对检测模块进行改进设计,新增2个面向小目标的特征输出模块,得到一种新的具有5个检测尺度的道路目标多尺度检测方法YOLOv3_5d.结果表明:改进后的YOLOv3_5 d算法在通用自动驾驶数据集BDD100 K上的检测平均精度为0.5809,相较于原始YOLOv3的检测平均精度提高了0.0820,检测速度为45.4帧·s-1,满足实时性要求.     

改进YOLOv3的桥梁表观病害检测识别

针对基于目标检测方法的桥梁表观病害检测存在检测精度低、误检率和漏检率高的问题,提出一种改进YOLOv3的高准确率桥梁表观病害检测识别方法。为实现局部特征和全局特征有效融合,在YOLOv3的检测层中添加固定分块大小的池化模块,并在YOLOv3的特征提取网络中引入了DenseNet密集型连接网络结构以增强桥梁病害特征在网络中的传播和利用效率,提高检测效率,采用数据增强技术来扩充样本图像以解决现有桥梁病害数据集样本数量不足的问题。实验结果表明,改进后的YOLOv3在桥梁表观病害检测上的平均准确率比原YOLOv3提高了3.0%,且模型训练时间减少了33.2%,同时降低了对桥梁表观病害检测的误检率和漏检率。     

基于YOLOv5的轻量化交通标志检测方法

针对目前交通标志检测深度学习网络模型体积大、参数多,难以满足在计算资源有限的移动设备和嵌入式设备中部署的问题,提出一种基于YOLOv5的轻量化交通标志检测模型。该模型利用GhostNet思想重新建构YOLOv5网络,同时在特征提取层引入坐标注意力机制(coordinate attention, CA),并将原边框损失函数CIOU替换为SIOU,最后使用NVIDIA的加速推理框架TensorRT对改进模型加快推理速度。在CCTSDB2021交通标志数据集中验证了改进模型的可行性,实验结果表明,改进模型较于原模型,模型大小减小了53.5%,参数量压缩了50%,而精度仅损失0.1%,且模型推理速度提升了2%;经过TensorRT加速推理后,推理速度甚至提升了57.4%,达到了4 ms。改进模型实现了模型的轻量化,精度损失小,推理速度快,相比原模型更适合部署到嵌入式移动设备中。     

基于改进YOLOv3算法的水下小目标分类与识别

针对声纳图像中小目标检测识别率低、虚警率高的问题, 提出一种改进的 YOLOv3 算法. 改进的 YOLOv3 网络在原始 YOLOv3 的基础上进行优化, 改变网络的层级连接, 融合更浅层的特征与深层特征, 形成新的更大尺度的检测层, 提高了网络对水下小目标检测的能力; 同时, 使用线性缩放的 $K$-means 聚类算法优化计算先验框个数和宽高比, 提高了先验框与 ground truth box 之间的匹配度, 较原始 YOLOv3 算法均值平均精度提高了 7%. 实验结果表明, 所提出的改进 YOLOv3 算法能够有效分类与识别小目标且有更高的准确率和更低的虚警率, 同时保持了原始 YOLOv3 算法的实时性.     

雾霾天气车辆检测的改进YOLOv3算法

针对传统YOLOv3算法中存在检测框定位不精确的问题,提出了一种改进的YOLOv3算法用来重新估计检测框位置,提高智能汽车在雾霾交通环境下的定位精度。首先运用图像去雾算法对采集到的图片进行预处理,然后构造定位置信度替代分类置信度作为参考项来选择估计检测框位置,并改进非极大值抑制（NMS）算法,引入软化非极大值抑制（soft-NMS）,最后使用加权平均的方式来更新坐标位置,以达到提高定位精度的目的。实验结果表明,先经过单尺度retinex去雾算法处理图片,再通过改进的YOLOv3算法进行车辆检测,与使用原始的YOLOv3算法进行检测相比平均精度均值mAP（mean average precision）提高了0.44%,在满足检测实时性的同时,能够检测到更多的目标,对检测车辆的定位也更加精确。     

基于改进的轻量级YOLOv3的交通信号灯检测与识别

交通信号灯的准确检测与识别可以提高驾驶的安全性,减少交通事故的发生.为了提高移动端识别的准确率和速度,提出一种改进的轻量级YOLOv3模型实现交通信号灯的检测与识别.首先,采用轻量级的ShuffleNetv2网络替换YOLOv3的主干网络DarkNet53,实现交通信号灯的快速检测与识别;接着,融合ShuffleNet...     

交通标志的检测与识别研究综述

车辆的增多造成了交通事故的多发,智能技术有利于解决这一问题,交通标志牌识别系统应运而生。TSR通过对道路上的交通标志牌准确检测和识别,有效提示驾驶员规范和安全行驶,减少交通事故的发生。本文归纳总结近几年学者们的研究成果,利用交通标志牌的特征和有效的方法对其进行高效检测和识别,提高检测和识别的实时性和准确性。     

基于改进的YOLOv3的实时车辆检测

车辆检测是智能交通系统的关键技术之一,对实时性和准确性有较高的要求。对此,文章提出了一种基于You Only Look Once(YOLO)v3改进的车辆检测算法,该算法能够确保实时检测的前提下,大幅度提高检测准确率。首先,改进了YOLOv3的特征提取网络,使用跨阶段残差模块替换原有残差模块。该结构的特征重用特性可以有效提高提取特征的效率;其次,设计了一种新的特征融合网络,通过融合不同深度网络层的特征信息,进一步提高了算法的检测准确性。实验结果表明,与原YOLOv3相比,该算法既满足检测实时性,平均精确率(mean Average Precision,mAP)又提高了8.7%。     

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

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。     

改进YOLOv3模型的铁路异物入侵识别算法

异物入侵影响列车行车安全,严重时会造成事故伤亡.针对现有铁路异物入侵识别准确率不高、实时性较差等问题,提出了一种改进YOLOv3模型的异物入侵识别算法.首先,利用逆透视变换确定轨道位置并划分危险区域,为后续的异物识别提出基础.然后采用K-means++聚类算法选取适合本文数据集的先验框尺寸,使先验框与特征图层更加契合,提升对铁路异物的定位能力.同时用MobileNetv2作为特征提取网络以减少模型参数量,提高识别的速度.最后,用改进的YOLOv3算法对危险区域进行异物识别.实验结果表明：本文算法在铁轨异物数据集上的平均识别精度达到89.23%,较传统YOLOv3算法高出9.73%,帧速率由20 f·s-1提高到54.3 f·s-1,有效提高了铁路异物入侵识别的实时性和准确率.     

YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型

基于原有YOLOv3模型占用存储空间较大,所需初始化数据集样本和参数较多的问题,本文提出了一种基于YOLOv3的深度学习目标检测压缩模型YOLOv3-ADS.该模型使用拼接、叠加等方法对较少的有代表性的初始数据集进行数据增强,引入了DIoU损失函数,提升了目标检测的准确度.最后,通过稀疏训练和剪枝率阈值设置实现了YOL...     

基于YOLOv3的轻量化高精度多目标检测模型

针对当前目标检测模型在边缘设备中的应用占用内存过大、无法达到实时性要求的问题,提出一种基于YOLOv3的轻量化多目标检测模型.采用MobileNet网络进行点卷积和深度可分离卷积运算提取图像特征,显著降低了模型的参数量.同时,为了保证目标检测精度,在训练过程中不仅采用CIOU(complete intersection...