一种基于YOLO的复杂交通场景下的车辆分割算法研究制造技术

本发明专利技术涉及计算机视觉、视觉感知技术领域,所解决的技术问题是一种复杂交通场景下的车辆分割研究算法，提出一种基于YOLOV8‑seg的车辆分割算法改进，通过在算法中添加EfficientViT网络架构，EMA注意力机制模块，和WIOU LoSS函数，使得在分割中提高精度，通过训练深度学习模型，车辆能够识别和理解复杂的交通场景。在日常的生活中，更好的辅助驾驶员驾驶，减少交通事故的发生，通过优化的YOLOV8‑seg算法完成识别。使得对车辆分割算法在准确率、召回率和实时性方面均优于现有方法，表现出较好的性能。

【技术实现步骤摘要】

本专利技术以深度学习为基础提出复杂交通场景下的车辆分割感知算法，以改进的yolov8-seg算法为基础，同时执行对汽车，自行车，公交车，卡车，摩托车在多云、夜晚、晴天和雨天的目标分割，实现yolov8-seg在复杂交通场景中的车辆分割算法研究。

技术介绍

1、在智能交通系统中，分割算法研究扮演着至关重要的角色，它是自动驾驶车辆理解周遭环境的核心。该技术使得自动驾驶车辆能够有效地识别并应对周围的行人、车辆以及障碍物等，确保行车安全。自动驾驶车辆通常装备了多样化的传感器，如雷达、激光雷达（lidar）和摄像头等，这些传感器协同工作，收集车辆周围环境的精确数据，为分割提供了重要的信息来源。摄像头捕获的图像数据，通过尖端的图像识别和处理技术进行深入分析，使得车辆能够准确识别并区分各种目标和物体。在自动驾驶领域，深度学习尤其是卷积神经网络（cnn）的应用极大地提升了目标分割的效能。通过深度学习模型的训练，自动驾驶车辆能够深入理解复杂的交通场景，并做出相应的决策。此外，融合来自不同传感器的高维度数据，进一步增强了分割的精确度和系统的鲁棒性。随着技术的持续创新与发展，分本文档来自技高网...

【技术保护点】

1.基于YOLO的一种复杂交通场景下的车辆分割算法研究，包括以下步骤。

2.Step1：输入图像数据，基于EfficientViT的新技术，在高效FFN层之间使用单个内存绑定的MHSA，从而提高了内存效率，同时增强了信道通信；

3.根据权利要求1所述的基于YOLO的一种复杂交通场景下的车辆分割算法研究，所述Step1中的具体过程如下：

4.根据权利要求1所述的基于YOLO的一种复杂交通场景下的车辆分割算法研究，所述Step2中的具体过程如下：

5.根据权利要求1所述的基于YOLO的一种复杂交通场景下的车辆分割算法研究，所述Step3中的具体...

【技术特征摘要】

1.基于yolo的一种复杂交通场景下的车辆分割算法研究，包括以下步骤。

2.step1：输入图像数据，基于efficientvit的新技术，在高效ffn层之间使用单个内存绑定的mhsa，从而提高了内存效率，同时增强了信道通信；

3.根据权利要求1所述的基于yolo的一种复杂交通...

【专利技术属性】
技术研发人员：侯阿临，强秋曦，张名淑，赵冰瑶，李传运，张萌婷，李纹锋，谢馨莹，张子相，魏文驰，何俊杰，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：