基于Dense-YOLOv3的车型检测模型

摘要：

针对传统YOLOv3的网络结构存在曝光过度或光线较暗等异常图片在提取特征时鲁棒性较差,导致车型识别率低下的问题,提出了一种用于交通车辆检测的Dense-YOLOv3模型.该模型集成了密集卷积神经网络DenseNet和YOLOv3网络的特点,加强了卷积层之间的车型特征传播和重复利用,提高了网络的抗过拟合性能;同时,对目标车辆进行了不同尺度的检测,构建了交叉损失函数,实现了车型的多目标检测.经过在BIT-Vehicle标准数据集上对模型进行训练和测试,实验结果表明,基于Dense-YOLOv3车型检测模型平均精度达到了96.57％,召回率为93.30％,表明了该模型对车辆检测的有效性和实用性.

关键词：车型检测、YOLOv3、DenseNet、鲁棒性、平均精度、召回率

所属期刊栏目：29

资助基金：山西省自然基金201801D221179,201701D121059

在线出版日期：2020-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：158-166