【技术实现步骤摘要】
本专利技术涉及智能汽车感知，具体是一种面向复杂交通环境的小型目标检测算法模型。
技术介绍
1、随着全球城市化的加速和机动车辆数量的急剧增加，复杂的道路交通环境成为了现代社会面临的重大挑战。在这种环境下，小目标(如行人、自行车和摩托车等)的检测对于交通监控、自动驾驶系统的发展以及事故预防具有至关重要的意义。然而，复杂道路交通情景通常包括但不限于繁忙的交叉口、多车道高速公路、城市街道和乡村道路，由于其高度动态性和不确定性，加之小目标本身的特点(如尺寸小、易受遮挡、外观多样性等)，大大增加了检测的难度，对交通安全构成了潜在的威胁。。
2、在现有的深度学习技术引领下的目标检测领域中，虽然yolo[1-8]系列、ssd[9]和faster r-cnn[10]，已经在多个领域取得了显著的进展，尤其是yolov5，已经在速度和准确性上取得了一定突破。然而在处理复杂道路交通场景中的小目标检测时，依旧面临着识别精度不足和实时性难以兼顾的双重困境。这些挑战的根源在于：小目标特征的不显著性、环境因素的多变性以及实时处理的高要求。因此，探索能够在这...
【技术保护点】
1.一种面向复杂交通环境的小型目标检测算法模型，包括YOLOv5算法模型，其特征在于：还包括基于YOLOv5算法模型构建的多尺度检测模块，其用于将三尺度检测升级为四尺度，以此丰富小目标的特征信息；
2.根据权利要求1所述的一种面向复杂交通环境的小型目标检测算法模型，其特征在于：所述多尺度检测模块包括20×20特征层以及引入的160×160特征层，所述160×160特征层通过对80×80特征层进行二倍上采样并与新构建融合而得；
3.根据权利要求1所述的一种面向复杂交通环境的小型目标检测算法模型，其特征在于：所述Ghost模块为分阶段卷积计算模块，...
【技术特征摘要】
1.一种面向复杂交通环境的小型目标检测算法模型，包括yolov5算法模型，其特征在于：还包括基于yolov5算法模型构建的多尺度检测模块，其用于将三尺度检测升级为四尺度，以此丰富小目标的特征信息；
2.根据权利要求1所述的一种面向复杂交通环境的小型目标检测算法模型，其特征在于：所述多尺度检测模块包括20×20特征层以及引入的160×160特征层，所述160×160特征层通过对80×80特征层进行二倍上采样并与新构建融合而得；
3.根据权利要求1所述的一种面向复杂交通环境的小型目标检测算法模型，其特征在于：所述ghost模块为分阶段卷积计算模块，其采用标准卷积生成部分特征图，其中：
4.根据权利要求1所述的一种面向复杂交通环境的小型目标检测算法模型，其特征在于：两部分特征映射拼接得到的所述特征图通道数与标准卷积得到的数量一致，然而前者的卷积大大减少了卷积的计算量。其中卷积核为k*k，线性运算内核为d*d，分组卷积的数量为s，标准卷积的计算量表示为：...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。