典型文献
融合Lite-HRNet的Yolo v5双模态自动驾驶小目标检测方法
文献摘要：
针对目前自动驾驶领域的目标检测算法在对道路小目标和密集目标进行检测的时候出现漏检的问题,提出一种融合Lite-HRNet的Yolo v5网络.首先为了获得高分辨率的特征检测图将Lite-HRNet作为Yolo v5的主干网络,以增强对小目标及密集目标的检测.为提升暗光场景下的检测性能,将红外图像与可见光图像进行动态权值融合,充分发挥可见光图像与红外图像的互补优势.由于主干网络进行了充分的特征融合,为加快检测速度取消在检测层中的特征融合结构.其次为了加快收敛速度和提高回归精度采用α-EIoU作为边界框损失函数,同时为选取针对数据集更合适的先验框,使用二分K-means算法进行聚类,并且使用小目标数据增强算法对数据集进行样本扩充.最后在flir数据集上进行对比测试,根据实验结果,提出的算法比Yolo v5在平均精度上提高了7.64％,小目标和密集目标的漏检率明显减少.
文献关键词：
自动驾驶;目标检测;红外图像;Yolo v5;小目标;Lite-HRNet
中图分类号：
作者姓名：
刘子龙;沈祥飞
作者机构：
上海理工大学光电信息与计算机工程学院,上海 200093
文献出处：
引用格式：
[1]刘子龙;沈祥飞-.融合Lite-HRNet的Yolo v5双模态自动驾驶小目标检测方法)[J].汽车工程,2022(10):1511-1520,1536
A类：
flir
B类：
Lite,HRNet,Yolo,v5,双模态,自动驾驶,小目标检测,目标检测方法,目标检测算法,密集目标,先为,特征检测,主干网络,暗光,光场,检测性能,红外图像,可见光图像,动态权值,特征融合,快检,检测速度,检测层,快收敛,收敛速度,EIoU,边界框,损失函数,更合,先验框,means,数据增强,增强算法,样本扩充,对比测试,漏检率
AB值：
0.325146
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。
