基于轻量化网络和注意力机制的智能车快速目标识别方法

摘要：

为提高智能车在真实环境中的实时检测能力,改善复杂环境下检测效果不佳的问题,本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法.首先,为了减少网络计算参数和提升目标识别算法的推理速度,提出利用GhostNet加速YOLOv4的特征提取;其次,为了提高复杂场景下对道路目标的识别精度,在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块;最后,为了验证本文提出方法的有效性,选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比.与其他目标检测算法在精度和速度上进行比较,结果证明,本文方法在平均检测精度提升1.7％的情况下,模型参数量降低到原来的18.7％,检测速度提升了66％,检测速度和精度均优于其他算法,可满足智能车的实时感知需求.

关键词：智能交通、目标识别、深度学习、轻量化、注意力机制

所属期刊栏目：22

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2023-01-03（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：105-113