典型文献
基于EfficientNetLite和YOLOv5的交通标志检测算法研究
文献摘要：
随着智能交通系统、无人驾驶技术以及汽车安全辅助驾驶技术的发展,对在其中扮演重要角色的交通标志识别任务提出了更高的要求.以往的交通标志识别研究会在实时性、准确性以及检测的类别总数上进行一定的改进,但会出现顾此失彼的情况.文章针对这个问题提出了一种改进的Yolov5算法,该算法首先采用自适应锚框计算得到适合实验中交通标志数据集的锚框,并在输入端增加了Mosaic数据增强技术以丰富数据集,然后引入Stem模块以及EfficientNetLite网络结构来替换Yolov5主干网络,最后采用CIoU损失函数来提高预测框检测精度.并在TT100K数据集上进行实验,并将实验结果与原Yolov5以及Yolov5-ShuffleNetV2网络实验结果进行比对.结果表明,提出的方法相较于Yolov5在内存的使用上减少了49.7％;参数量减少了49.9％;模型复杂度降低了59.1％;同时mAP_0.5达到了80.9％,提高了2.1％;检测精确度也提高了2.2％,证明了改进后的算法的有效性.
文献关键词：
YOLOv5;交通标志识别;EfficientNetLite;轻量化网络
中图分类号：
作者姓名：
马鹏森;车进
作者机构：
宁夏大学物理与电子电气工程学院;宁夏大学沙漠信息智能感知重点实验室,宁夏银川750021
文献出处：
引用格式：
[1]马鹏森;车进-.基于EfficientNetLite和YOLOv5的交通标志检测算法研究)[J].长江信息通信,2022(05):10-14
A类：
EfficientNetLite
B类：
YOLOv5,交通标志检测,检测算法,算法研究,智能交通系统,无人驾驶技术,汽车安全,辅助驾驶,交通标志识别,研究会,顾此失彼,Yolov5,自适应锚框,Mosaic,数据增强技术,Stem,主干网络,CIoU,损失函数,检测精度,TT100K,ShuffleNetV2,网络实验,参数量,模型复杂度,mAP,检测精确度,轻量化网络
AB值：
0.376849
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。
