为了提高恶劣道路场景下的目标检测能力,本文在YOLOV4-Tiny的基础上提出了一种快速目标检测算法。首先,本文考虑雨雾天气条件下的道路目标检测场景,将基于二次模糊的清晰度算法(ReBlur)和暗通道先验算法相结合对图像进行处理,然后将处...为了提高恶劣道路场景下的目标检测能力,本文在YOLOV4-Tiny的基础上提出了一种快速目标检测算法。首先,本文考虑雨雾天气条件下的道路目标检测场景,将基于二次模糊的清晰度算法(ReBlur)和暗通道先验算法相结合对图像进行处理,然后将处理前后的图像用于网络的训练和测试,以克服雨雾天气造成的图像质量下降问题;另一方面,考虑道路场景中的小目标检测,本文在原网络的基础上对8倍降采样特征图进行上采样,再把得到的上采样结果与上一层的特征图拼接,以添加针对小目标的检测头。实验结果表明,改进后的网络在复杂道路场景下的检测能力显著提高,整体的平均精度均值(Mean Average Precision,mAP)也提高了4.13,同时检测速度达到了213 FPS。展开更多
文摘为了提高恶劣道路场景下的目标检测能力,本文在YOLOV4-Tiny的基础上提出了一种快速目标检测算法。首先,本文考虑雨雾天气条件下的道路目标检测场景,将基于二次模糊的清晰度算法(ReBlur)和暗通道先验算法相结合对图像进行处理,然后将处理前后的图像用于网络的训练和测试,以克服雨雾天气造成的图像质量下降问题;另一方面,考虑道路场景中的小目标检测,本文在原网络的基础上对8倍降采样特征图进行上采样,再把得到的上采样结果与上一层的特征图拼接,以添加针对小目标的检测头。实验结果表明,改进后的网络在复杂道路场景下的检测能力显著提高,整体的平均精度均值(Mean Average Precision,mAP)也提高了4.13,同时检测速度达到了213 FPS。
