典型文献
基于改进YOLOv4网络的轻量化交通标志检测模型
文献摘要：
针对在嵌入式车载交通标志识别系统对检测模型的大小以及实时性有着较高的要求,在基于原有YOLOv4的网络架构上,提出一种改进后的目标检测网络Mobilenetv2-YOLOv4-SAP.Mobilenetv2-YOLOv4-SAP通过使用轻量级卷积神经网络Mobilenev2对原YOLOv4网络的特征提取网络CSPDarknet53进行替换融合以及引入注意力机制SAP模块解决多通道池化层的信息冗余问题,从而在减少网络模型参数量和计算量的同时,保持较高的检测精度.通过实验表明,改进后的网络模型在Kaggle Road sign detection比赛数据集上的平均检测精度上达到了95.94％较原YOLOv4网络提升了0.34％,该网络模型的大小为48.97MB,仅为原YOLOv4模型大小的20％,且检测速率FPS达到了61帧/秒,相比于原YOLOv4网络模型提升了265％.
文献关键词：
交通标志识别;Moblienetv2;信息冗余;目标检测;YOLOv4
中图分类号：
作者姓名：
王泽华;宋卫虎;吴建华
作者机构：
河北工程大学信息与电气工程学院,河北邯郸056107
文献出处：
引用格式：
[1]王泽华;宋卫虎;吴建华-.基于改进YOLOv4网络的轻量化交通标志检测模型)[J].电脑知识与技术,2022(05):98-101,104
A类：
Mobilenev2,97MB,Moblienetv2
B类：
YOLOv4,交通标志检测,检测模型,车载,交通标志识别,识别系统,网络架构,目标检测网络,Mobilenetv2,SAP,轻量级卷积神经网络,特征提取网络,CSPDarknet53,注意力机制,多通道,池化,信息冗余,模型参数量,计算量,检测精度,Kaggle,Road,sign,detection,上达,检测速率,FPS
AB值：
0.363982
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
