典型文献
改进YOLOv5的交通灯实时检测鲁棒算法
文献摘要：
交通灯检测算法作为自动驾驶任务中的一个重要环节,直接关系到智能汽车的行车安全.因为交通灯尺度小且环境复杂,给算法研究带来了困难.针对交通检测存在的痛点,提出改进YOLOv5的交通灯检测算法.首先使用可见标签比确定模型输入;然后引入ACBlock结构增加主干网络的特征提取能力,设计SoftPool减少主干网络的采样信息损失,使用DSConv卷积核减少模型参数;最后设计了记忆性特征融合网络,高效利用了高级语义信息和底层特征.对模型输入和主干网络的改进,直接提高模型在复杂环境下对特征的提取能力;对特征融合网络的改进,使模型能够充分利用特征信息,增加对目标定位和边界回归的精准度.实验结果表明,改进后的方法在BDD100K数据集上取得了74.3％的AP和111 frame/s的检测速度,比YOLOv5提高11.0个百分点的AP;在Bosch数据集上取得了84.4％的AP和126 frame/s的检测速度,比YOLOv5提高9.3个百分点的AP.鲁棒性测试结果表明,改进后的模型在各种复杂环境中对目标的检测能力都有显著提升,鲁棒性增加,做到了高精度实时检测.
文献关键词：
交通灯检测;YOLOv5;记忆性特征融合网络;BDD100K;实时检测
中图分类号：
作者姓名：
钱伍;王国中;李国平
作者机构：
上海工程技术大学 电子电气工程学院,上海 201620
文献出处：
引用格式：
[1]钱伍;王国中;李国平-.改进YOLOv5的交通灯实时检测鲁棒算法)[J].计算机科学与探索,2022(01):231-241
A类：
ACBlock,记忆性特征融合网络
B类：
YOLOv5,实时检测,交通灯检测,检测算法,自动驾驶,智能汽车,行车安全,环境复杂,算法研究,定模,模型输入,主干网络,特征提取能力,SoftPool,信息损失,DSConv,卷积核,核减,高级语义信息,底层特征,复杂环境,特征的提取,特征信息,目标定位,BDD100K,AP,frame,检测速度,百分点,Bosch,检测能力
AB值：
0.278881
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。
