典型文献
多尺度特征融合车辆检测方法
文献摘要：
针对传统的车辆目标检测算法检测精度低,小尺度目标识别效果差等问题,提出了一种基于YOLOv4(you only look once v4)算法的目标检测方法,以提升对交通场景小目标车辆的检测性能.通过对YOLOv4网络进行再设计,使用MobileNetv2深度可分离卷积模块代替传统卷积,将CBAM(convolutional block attention module)注意力模块融合到特征提取网络中,在保证模型检测精度的同时减少模型参数.采用PANet-D特征融合网络融合获取到4个尺度特征图深浅层的语义信息,增强对小目标物体的检测能力.通过使用 Focal loss优化分类损失函数,加快网络模型的收敛速度.实验结果表明,改进后的网络识别准确率达到96.55％,网络模型大小较原YOLOv4网络降低了92.49 M,同时检测速度比原网络提升了 17％,充分证明了本算法的可行性.
文献关键词：
车辆检测;YOLOv4;多尺度融合;深度可分离卷积;注意力机制
中图分类号：
作者姓名：
王银;王飞翔;孙前来
作者机构：
太原科技大学电子信息工程学院,山西太原030024
文献出处：
引用格式：
[1]王银;王飞翔;孙前来-.多尺度特征融合车辆检测方法)[J].系统仿真学报,2022(06):1219-1229
A类：
B类：
多尺度特征融合,车辆检测,车辆目标检测,目标检测算法,检测精度,小尺度目标,目标识别,YOLOv4,you,only,look,once,目标检测方法,交通场景,小目标,目标车辆,检测性能,再设计,MobileNetv2,深度可分离卷积,卷积模块,CBAM,convolutional,block,attention,module,注意力模块,模块融合,合到,特征提取网络,模型检测,PANet,特征融合网络,网络融合,取到,特征图,深浅,语义信息,检测能力,Focal,loss,损失函数,收敛速度,识别准确率,同时检测,检测速度,速度比,充分证明,多尺度融合,注意力机制
AB值：
0.521582
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。
