多尺度特征融合车辆检测方法

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.

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

所属期刊栏目：34

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金;山西省科技成果转化引导专项;山西省重点研发计划;山西省面上青年基金项目;山西省研究生教育创新

在线出版日期：2022-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1219-1229