典型文献
基于轻量化网络和注意力机制的智能车快速目标识别方法
文献摘要：
为提高智能车在真实环境中的实时检测能力,改善复杂环境下检测效果不佳的问题,本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法.首先,为了减少网络计算参数和提升目标识别算法的推理速度,提出利用GhostNet加速YOLOv4的特征提取;其次,为了提高复杂场景下对道路目标的识别精度,在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块;最后,为了验证本文提出方法的有效性,选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比.与其他目标检测算法在精度和速度上进行比较,结果证明,本文方法在平均检测精度提升1.7％的情况下,模型参数量降低到原来的18.7％,检测速度提升了66％,检测速度和精度均优于其他算法,可满足智能车的实时感知需求.
文献关键词：
智能交通;目标识别;深度学习;轻量化;注意力机制
中图分类号：
作者姓名：
陈志军;胡军楠;冷姚;钱闯;吴超仲
作者机构：
武汉理工大学,智能交通系统研究中心,武汉430063
文献出处：
引用格式：
[1]陈志军;胡军楠;冷姚;钱闯;吴超仲-.基于轻量化网络和注意力机制的智能车快速目标识别方法)[J].交通运输系统工程与信息,2022(06):105-113
A类：
B类：
轻量化网络,注意力机制,智能车,目标识别方法,高智能,真实环境,实时检测,检测能力,复杂环境,检测效果,计算参数,提升目标,目标识别算法,推理速度,GhostNet,YOLOv4,复杂场景,道路目标,识别精度,特征金字塔,软阈值化,注意力模块,Pascal,VOC,KITTI,公开数据集,城市道路,路数,实验对比,目标检测算法,检测精度,精度提升,模型参数量,检测速度,实时感知,智能交通
AB值：
0.460305
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。
