基于深度学习用于无人驾驶的交通目标检测方法技术

本发明专利技术提供一种基于深度学习用于无人驾驶的交通目标检测方法，在现有的成熟模型YOLOv5基础上,通过在SPP模块前加入一种改进的卷积与自注意力机制融合的ACmix模块、增加多尺度目标检测层，接下来下载并处理BDD100K数据集，构建用于模型训练的训练集、验证集和测试集，最后将BDD100K数据集送入构建好的基于YOLOv5改进的交通目标检测模型进行模型的训练、测试、评估；在模型构建阶段，引入的ACmix模块更有利于提取目标特征。在训练阶段，将送入的数据集中不包含交通目标的图像进行删除，以免干扰模型的训练，加速网络收敛。在评估阶段，通过调整模型的宽度和深度，优化模型的精确度和速度，以满足实际应用的需求。以满足实际应用的需求。以满足实际应用的需求。

【技术实现步骤摘要】
基于深度学习用于无人驾驶的交通目标检测方法


[0001]本专利技术涉及基于深度学习用于无人驾驶的交通目标检测方法。

技术介绍

[0002]随着自动驾驶技术的不断发展，目标检测方法越来越受到关注。由于实际行驶道路的复杂性和多样性，迅速、准确且高精度的目标检测方法的提出对于自动驾驶等方面有着重要的作用。在道路环境中，摄像头拍摄的图像中待识别的目标图像背景复杂，交通目标大小不一，还存在动态物体和遮挡问题等。基于深度学习的目标检测技术是计算机视觉领域中最重要的研究方向之一。随着人工智能技术发展以及计算机硬件不断升级迭代，目标检测在从传统的特征提取方法，逐渐发展到使用深度学习技术进行检测。深度学习目标检测领域包括以YOLO为代表的单阶段目标检测速度快、精度高、模型精简便于改进，但实时性差，对于低分辨率弱小目标检测精度低，还容易出现漏检误检现象。

技术实现思路

[0003]为了克服现有技术中的不足，本专利技术提供一种基于深度学习用于无人驾驶的交通目标检测方法。
[0004]为了达到上述专利技术目的，解决其技术问题所采用的技术方案如下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习用于无人驾驶的交通目标检测方法，其特征在于，包括：S1：下载并处理BDD100K数据集，包括：训练数据集和测试数据集；S2：对YOLOv5目标检测模型增加多尺度目标检测层；S3：在YOLOv5目标检测模型中引入ACmix模块，以增强模型的特征表达和学习能力，减少模型运算开销。2.根据权利要求1所述的基于深度学习用于无人驾驶的交通目标检测方法，其特征在于，所述S1，包括：将下载好的BDD100K数据集由json格式转换成YOLOV5采用的txt格式，BDD100K数据集采用真实拍摄图像构建交通目标检测训练数据集和测试数据集，训练数据集由10万幅图像组成，包含：bus、car、truck、person、bike和motor六类样本，并按照train：val：test＝7：2：1的比例划分为训练集70000幅、验证集20000幅和测试集10000幅用于模型训练、验证及测试。3.根据权利要求2所述的基于深度学习用于无人驾驶的交通目标检测方法，其特征在于，所述S1中，bus为中型客车、大型客车；car为包含轿车、面包车、SUV各种形态的小汽车；truck为包含皮卡在内的小、中、大型货车；person为人类；bike为自行车；motor为摩托车。4.根据权利要求1所述的基于深度学习用于无人驾驶的交通目标检测方法，其特征在于...

【专利技术属性】
技术研发人员：朱勇建，李长旭，王栋，张裕，王嘉钰，刘云翔，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：