典型文献
基于YOLOv5s融合SENet的车辆目标检测技术研究
文献摘要：
针对交通监控视频的车辆目标检测技术在早晚高峰等交通拥堵时段，车辆遮挡严重且误、漏检率较高的问题，提出一种基于 YOLOv5s 网络的改进车辆目标检测模型。将注意力机制 SE 模块分别引入YOLOv5s的Backbone主干网络、Neck网络层和Head输出端，增强车辆重要特征并抑制一般特征以强化检测网络对车辆目标的辨识能力，并在公共数据集UA-DETRAC和自建数据集上训练、测试。将查准率、查全率、均值平均精度作为评价指标，结果显示3项指标相比于原始网络均有明显提升，适合作为注意力机制的引入位置。针对YOLOv5s网络中正、负样本与难易样本不平衡的问题，网络结合焦点损失函数Focal loss，引入2个超参数控制不平衡样本的权重。结合注意力机制SE模块和焦点损失函数Focal loss的改进检测网络整体性能提升，均值平均精度提升了2.2个百分点，有效改善了车流量大时的误检、漏检指标。
文献关键词：
车辆检测;交通监控;注意力机制;焦点损失函数;YOLOv5模型
中图分类号：
作者姓名：
赵璐璐;王学营;张翼;张美月
作者机构：
长安大学信息工程学院,陕西 西安 710064;内蒙古自治区交通建设工程质量监测鉴定站,内蒙古 呼和浩特 010050
文献出处：
引用格式：
[1]赵璐璐;王学营;张翼;张美月-.基于YOLOv5s融合SENet的车辆目标检测技术研究
)[J].图学学报,2022(05):776-782
A类：
B类：
YOLOv5s,SENet,车辆目标检测,交通监控,监控视频,早晚高峰,交通拥堵,车辆遮挡,漏检率,目标检测模型,注意力机制,Backbone,主干网络,Neck,网络层,Head,输出端,测网,公共数据,UA,DETRAC,自建数据集,查准率,查全率,均值平均精度,中正,难易,样本不平衡,焦点损失函数,Focal,loss,超参数,参数控制,不平衡样本,整体性能,性能提升,精度提升,百分点,车流量,车辆检测
AB值：
0.435149
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。
