典型文献
基于改进YOLOv5的交通监控视频车辆检测方法研究
文献摘要：
针对交通监控视频中车辆遮挡、车辆目标偏小导致的错检、漏检问题,提出一种改进的YOLOv5网络模型.将注意力机制SE模块分别引入YOLOv5网络的Backbone、Neck、Head,经过试验对比得出SE模块引入的最佳位置.针对YO-LOv5模型存在的正负样本不平衡问题,将焦点损失函数Focal Loss引入模型的训练过程.试验表明,将SE模块与Backbone进行融合,模型的平均准确率mAP提高了0.011％,引入Focal Loss之后,mAP提高了0.02％,同时准确率Precision和召回率Recall均有提高.对自建的数据集进行测试,结果表明:改进的YOLOv5模型能有效地提高交通监控场景中的车辆检测性能.
文献关键词：
车辆检测;YOLOv5;注意力机制;Focal Loss
中图分类号：
作者姓名：
张漪;张美月
作者机构：
内蒙古自治区交通运输教育中心,内蒙古 呼和浩特 010051;长安大学信息工程学院,陕西 西安 710046
文献出处：
引用格式：
[1]张漪;张美月-.基于改进YOLOv5的交通监控视频车辆检测方法研究)[J].内蒙古公路与运输,2022(02):50-55
A类：
B类：
YOLOv5,交通监控,监控视频,车辆检测,车辆遮挡,漏检,注意力机制,SE,Backbone,Neck,Head,试验对比,比得,正负样本,样本不平衡,不平衡问题,焦点损失函数,Focal,Loss,训练过程,平均准确率,mAP,Precision,召回率,Recall,检测性能
AB值：
0.406826
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。
