为提高恶劣雨天交通环境下车辆目标检测精度,提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4,融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet,获得的D-PReNet可更有效提取雨纹特征;使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53,为YOLOv4的颈部路径聚合网络模块添加复合残差块,同时采用k-means++算法取代原始网络聚类算法,获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率;基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证.研究结果表明:与当前YOLO系列主流网络相比,提出的DTOD-PReYOLOv4对原浅层ResBlock_body1叠加残差块,可以更好地提取分辨率较小的特征;对原深层ResBlock_body3、ResBlock_body4和ResBlock_body5进行裁剪,获得ResBlock_body3×2、ResBlock_body4×2和ResBlock_body5×2,可以有效降低卷积层冗余,提高内存利用率;为PANet中的Concat+Conv×5添加跳跃连接形成CRB模块,可以有效缓解网络层数加深引起的小目标检测效果退化问题;采用k-means++算法,在多尺度检测过程中为较大的特征图分配更加适合的较小先验框,为较小的特征图分配更加适合的较大先验框,进一步提高了目标检测的精度;与MYOLOv4相比,精确率和召回率的调和平均值、平均精度、检测速度分别提升了5.02％、6.70％、15.63帧?s-1,与TOD-YOLOv4相比,分别提升了3.51％、4.31％、2.17帧?s-1,与YOLOv3相比,分别提升了46.07％、48.05％、18.97帧?s-1,与YOLOv4相比,分别提升了31.06％、29.74％、16.26帧?s-1.

智能交通;目标检测;YOLOv4;PReNet;注意机制;多尺度检测

陈婷;姚大春;高涛;仇会会;郭昶鑫;刘占文;李永会;边浩毅

长安大学 信息工程学院,陕西 西安 710064;交通银行股份有限公司 陕西省分行,陕西 西安 710004;悉尼大学 电子信息工程学院,新南威尔士 悉尼 NSW2006;浙江机电职业技术学院,浙江 杭州 310053

交通运输工程学报

[1]陈婷;姚大春;高涛;仇会会;郭昶鑫;刘占文;李永会;边浩毅-.基于PReNet和YOLOv4融合的雨天交通目标检测网络)[J].交通运输工程学报,2022(03):225-237

PReNet,DTOD,PReYOLOv4,多尺度膨胀卷积,CSPDarknet26,body1,body3,body4,body5,Concat+Conv,MYOLOv4

雨天,交通目标,目标检测网络,交通环境,下车,车辆目标检测,检测精度,深度学习网络,图像复原,子网,挤压激励,注意机制,残差模块,有效提取,CSPDarknet53,路径聚合网络,残差块,means++,网络聚类,聚类算法,小目标检测,高检,检测效率,交通场景,VOD,RTE,流网,ResBlock,取分,裁剪,卷积层,PANet,跳跃连接,CRB,网络层,层数,检测效果,多尺度检测,检测过程,特征图,先验框,精确率,召回率,调和平均,检测速度,YOLOv3,智能交通

0.273866