针对现有交通灯算法对小目标、遮挡目标检测识别效果不佳等问题,提出一种基于注意力与多尺度特征融合的YOLOv5检测算法(YOLOv5 detection algorithm based on attention and multi-scale feature fusion,AM-YOLOv5)。通过在残差结构中...针对现有交通灯算法对小目标、遮挡目标检测识别效果不佳等问题,提出一种基于注意力与多尺度特征融合的YOLOv5检测算法(YOLOv5 detection algorithm based on attention and multi-scale feature fusion,AM-YOLOv5)。通过在残差结构中引入坐标注意力模块,提高对小目标的特征提取能力;设计四尺度检测层,通过引入更浅层特征改善对小尺度目标的检测性能,提高检测精度;针对引入注意力和检测层导致计算量增大、速度降低的问题,采用分布移位卷积替换部分主干卷积的方法,简化模型,提升速度。实验结果表明:该算法在Lara数据集上平均精度均值达到90.8%,相较于经典YOLOv5算法,精度提升2.7%,速度达到59.9 FPS,在复杂恶劣环境下的BDD100K数据集上,精度提升3.6%,速度达到34.8 FPS,具有良好的检测效果,能较好地满足交通灯的实时检测。展开更多
文摘针对现有交通灯算法对小目标、遮挡目标检测识别效果不佳等问题,提出一种基于注意力与多尺度特征融合的YOLOv5检测算法(YOLOv5 detection algorithm based on attention and multi-scale feature fusion,AM-YOLOv5)。通过在残差结构中引入坐标注意力模块,提高对小目标的特征提取能力;设计四尺度检测层,通过引入更浅层特征改善对小尺度目标的检测性能,提高检测精度;针对引入注意力和检测层导致计算量增大、速度降低的问题,采用分布移位卷积替换部分主干卷积的方法,简化模型,提升速度。实验结果表明:该算法在Lara数据集上平均精度均值达到90.8%,相较于经典YOLOv5算法,精度提升2.7%,速度达到59.9 FPS,在复杂恶劣环境下的BDD100K数据集上,精度提升3.6%,速度达到34.8 FPS,具有良好的检测效果,能较好地满足交通灯的实时检测。
文摘为了明确山区公路曲线路段上的汽车轨迹形态和驾驶风格,使用小客车在山区复杂线形公路上开展了实车驾驶实验.记录了自然驾驶状态下男性驾驶人的行驶轨迹,分析了行驶轨迹相对于行车道中线的横向偏移特性,运用聚类方法识别了曲线路段的轨迹行为模式.结果发现:根据轨迹横向偏移率的聚类结果,山区公路曲线路段有6种轨迹模式,具有明显的多样性特征;切弯是曲线路段占主导的过弯方式,按照切弯点位置以及前后的轨迹形态,切弯又可进一步细分为多种类型;行驶轨迹的横向偏移导致了车道偏离,其中非预期偏离由于存在较高的事故风险,应进行防范和控制;平曲线半径越小,切弯效应越大,事故风险可控,驾驶人越倾向于采用切弯方式来通过弯道,曲线路段是否发生切弯行为的临界半径值为200 m.
