典型文献
基于改进YOLOv4算法在车辆检测中的应用
文献摘要：
针对处在恶劣的天气、严重遮挡、过暗或过亮的光照等复杂环境下,现存的目标检测算法对车辆的检测准确度不高,针对该问题提出了基于YOLOv4的改进算法来检测目标车辆.使用图像处理算法处理数据集,模拟复杂环境,以增强算法的鲁棒性;使用K-means++聚类算法优化先验框参数,提高先验框与目标的匹配度;在骨干网中加入空洞卷积(Dilated Convolution)模块,使骨干网络能更好地提取车辆特征;使用Focal Loss损失函数代替交叉熵损失函数,解决检测过程中正样本数和负样本数相差过大的问题.通过实验可得mAP为86.13％,相较原YOLOv4算法提高了7.31％,检测精度在一定程度上优于原YOLOv4检测算法.
文献关键词：
深度学习;车辆检测;先验框;空洞卷积;损失函数
中图分类号：
作者姓名：
赵燕姣;李钢;姚琼辛;任杰
作者机构：
长安大学信息工程学院,陕西西安710061
文献出处：
引用格式：
[1]赵燕姣;李钢;姚琼辛;任杰-.基于改进YOLOv4算法在车辆检测中的应用)[J].电子设计工程,2022(24):37-42
A类：
B类：
YOLOv4,车辆检测,遮挡,过亮,复杂环境,目标检测算法,检测准确度,改进算法,目标车辆,图像处理算法,增强算法,means++,聚类算法,算法优化,先验框,匹配度,空洞卷积,Dilated,Convolution,骨干网络,Focal,Loss,数代,交叉熵损失函数,检测过程,中正,mAP,检测精度
AB值：
0.402362
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。
