典型文献
基于YOLOv4的复杂交通状况下多目标检测算法
文献摘要：
当前复杂交通状况下多目标检测存在检测精度低,检测速度慢,模型参数量大等问题.针对上述问题基于YOLOv4提出一种能够快速检测并识别多个不同目标的密集神经网络.首先将高效通道注意力机制(ECA)与跨阶段密集连接网络(CSPDenseNet)结合,组成新的E-CSP主干网络,代替传统的残差网络(ResNet).新的主干网络加强了有效通道的特征表达,提高了特征提取层提取特征的能力;其次使用改进的空间金字塔池化与柔性非极大值抑制(Soft-NMS),加强对于小目标与被遮挡目标的检测能力.实验结果表明,方法的平均类别精度(mAP)、帧率达到0.92％、50 fps,明显高于其他方法.通过与目前主流模型比较,方法在获得较高识别精度的同时,具有参数规模小识别速度快的特点,可以极大的提高交通行驶的安全性.
文献关键词：
深度学习;目标检测;密集连接;注意力机制;交通安全;空间金字塔池化
中图分类号：
作者姓名：
吕辉;董帆
作者机构：
河南理工大学电气学院 焦作454000
文献出处：
引用格式：
[1]吕辉;董帆-.基于YOLOv4的复杂交通状况下多目标检测算法)[J].国外电子测量技术,2022(12):41-47
A类：
CSPDenseNet
B类：
YOLOv4,交通状况,多目标检测,目标检测算法,检测精度,检测速度,速度慢,模型参数量,快速检测,密集神经网络,高效通道注意力机制,ECA,密集连接网络,主干网络,残差网络,ResNet,特征表达,提取特征,空间金字塔池化,柔性非极大值抑制,Soft,NMS,小目标,遮挡目标,检测能力,mAP,帧率,fps,其他方法,流模型,模型比较,识别精度,交通安全
AB值：
0.380336
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。
