摘 要：针对公路上高速行驶的车辆检测常常存在错检、漏检的问题，对YOLOv4 算法进行改进优化．首先，将CSPDarknet53-tiny 作为主干特征提取网络，并对网络中的ResBolck_body 模块中的残差边与GhostModule 模块结合代替原始特征网络CSPDarknet53，从而简化网络结构，同时提高其检测精度；然后，将原算法中的SPPNet 模块结构替换为ASPPNet，增大网络感受野，降低参数计算量，使模型能够在保持精准度的同时更加轻量化；最后，将注意力机制模块SENet 结构嵌入特征金字塔PANet 的两个不同位置，使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中，原YOLOv4 算法训练后得到的模型的平均精度(AP)为88.27%，改进优化后的YOLOv4 模型AP 为90.96%，改进后的YOLOv4 算法相比原算法AP 提高了2.69%．在实际真实场景数据集实验中，改进优化后的YOLOv4 算法比原算法AP 提高了3.31%．实验结果表明，本文提出的方法可以有效提高YOLOv4 算法对车辆目标检测的精度．

论文下载：

09.pdf

  浏览次数：