典型文献
基于改进YOLOv5s的交通信号灯识别方法
文献摘要：
交通信号灯的检测与识别是提升无人驾驶系统安全性的关键技术,传统基于深度学习的识别方法不能在精度和速度之间达到较好的平衡,难以满足实际环境下的检测要求.YOLOv5具有网络规模小的优势,适合在交通场景下进行交通信号灯检测.对YOLOv5网络进行改进,提出TL-YOLOv5s网络用于交通信号灯识别.通过简化主干网络中卷积层的数量提高特征提取效率,同时对残差组件进行密集连接和多层次跨连接,得到2种新的CSP残差结构替换原网络中的残差结构,增强网络特征融合能力,提高识别精度.考虑到交通信号灯的小目标属性,在网络中保留中小目标检测尺度而去除大目标检测尺度,进一步提升识别速率.在法国巴黎LaRA信号灯数据集上进行实验,结果表明,TL-YOLOv5s网络mAP值达到70.1％,相比于基线网络YOLOv5提升6.3个百分点,且检测速度达到22.4 frame/s,能够满足现实环境下的实时性要求.
文献关键词：
交通信号灯;目标检测;深度学习;图像处理;小尺度目标
中图分类号：
作者姓名：
邓天民;谭思奇;蒲龙忠
作者机构：
重庆交通大学 交通运输学院,重庆 400074
文献出处：
引用格式：
[1]邓天民;谭思奇;蒲龙忠-.基于改进YOLOv5s的交通信号灯识别方法)[J].计算机工程,2022(09):55-62
A类：
LaRA
B类：
YOLOv5s,交通信号灯识别,检测与识别,无人驾驶系统,系统安全性,检测要求,网络规模,交通场景,TL,主干网络,卷积层,提取效率,残差组,密集连接,CSP,残差结构,网络特征,特征融合,融合能力,识别精度,目标属性,小目标检测,检测尺度,大目标,识别速率,法国巴黎,mAP,线网,百分点,检测速度,frame,现实环境,小尺度目标
AB值：
0.342459
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。
