基于深度学习的雷达交通目标检测研究

摘要：

针对将深度学习应用于交通场景下的雷达距离多普勒谱图目标检测任务时,交通目标尺寸小、特征不明显导致目标检测算法出现漏检、误检的问题,提出一种改进的YOLOv5-KFCS模型.首先提出基于K-means++聚类Anchor生成方法,确定最优Anchor尺寸,实现Anchor与实际目标的精准匹配;然后在模型中添加改进的FCBAM注意力模块,增强模型对于模糊目标和小尺寸目标特征的提取能力;接着将CARAFE作为上采样模块,提升网络对背景噪声的过滤能力以增强小目标特征的表征能力;最后将Swin Transformer模块引入到网络末端C3模块中,改善模型网络末端特征图分辨率低的问题.实验结果表明,改进后的YOLOv5-KFCS有效改善了漏检、误检问题,相较基准YOLOv5s平均检测精度提高 5.3%,达到了93.5%,检测速度为70 FPS,满足检测实时性,并且综合性能优于其他方法.

关键词：深度学习、雷达、目标检测、距离多普勒谱图、YOLOv5s、交通场景

所属期刊栏目：46

分类号：TN911.73-34

资助基金：浙江省自然科学基金资助项目Y21F010057

在线出版日期：2023-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：134-140