典型文献
基于改进YOLO v4光线模糊场景下交通标志检测
文献摘要：
近些年,自动驾驶开始进入人们的视线.对于自动驾驶而言,模糊光线场景下的交通标志检测是其中极其重要的一部分.目前YOLO v4算法广泛用于目标检测,虽然它的检测精度相比于其他YOLO版本有着较大的提高,但是还没有达到预期的精度.为了进一步提高检测交通标志的精度,本文在原有YOLO v4的基础上作一定的改进并与MSRCR图像增强处理相结合.首先将作为训练的图片通过MSRCR算法达到图像增强的目的,并将其作为目标检测的训练集图像.使用Darknet-53的YOLO v4网络,通过labelImg标注BelgiumTS交通信号数据集,使用改进的K-means++聚类算法确定先验框和具体参数并且改进路径聚合网络(PANet)结构和损失函数,将数据集进行训练.实验结果表明,改进后的算法与原本的YOLO v4算法相比较,平均精度提高了1.86个百分点.
文献关键词：
交通标志检测;MSRCR算法;YOLO v4算法;K-means++聚类算法;损失函数;PANet
中图分类号：
作者姓名：
申智;徐丽;符祥远
作者机构：
长安大学,陕西 西安 710064
文献出处：
引用格式：
[1]申智;徐丽;符祥远-.基于改进YOLO v4光线模糊场景下交通标志检测)[J].计算机与现代化,2022(07):27-32
A类：
BelgiumTS
B类：
YOLO,v4,光线,线模,交通标志检测,自动驾驶,视线,目标检测,检测精度,本有,高检,MSRCR,图像增强处理,训练集,Darknet,labelImg,交通信号,号数,means++,聚类算法,先验框,改进路径,路径聚合网络,PANet,损失函数,百分点
AB值：
0.316612
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。
