目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进...目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进行替换。此外,用全维动态卷积替换特征融合网络中的普通卷积,同时嵌入CA(coordinate attention)注意力模块,增强模型特征融合能力。在此基础上对原算法中损失函数进行替换,采用更加优秀的损失函数SIoU(SCYLLA intersection over union),提高检测效率。实验采用CCPD(Chinese city parking dataset)数据集,筛选出部分具有挑战性的复杂场景中的车牌图片。实验结果表明:改进后的YOLOv7算法检测速度有大幅提升,帧率从原有的81.9帧/s提升至120帧/s。同时准确率(m AP)达到95.1%,提升2.9百分点,权重模型大小为36.1 MB。可以做到对复杂场景下的车牌进行实时检测,满足轻量化要求,提升了检测速度和精度。展开更多
针对红外图像背景复杂、信噪比低、检测目标尺寸小和亮度弱等检测难点,提出一种基于YOLOv7s的轻量级红外小目标检测算法ISTD-YOLO(Infrared Small Target Detection-You Only Look Once)。首先,对YOLOv7s网络结构进行轻量化重构,分别将...针对红外图像背景复杂、信噪比低、检测目标尺寸小和亮度弱等检测难点,提出一种基于YOLOv7s的轻量级红外小目标检测算法ISTD-YOLO(Infrared Small Target Detection-You Only Look Once)。首先,对YOLOv7s网络结构进行轻量化重构,分别将特征提取网络和特征融合网络重新调整,设计出一种三尺度轻量级网络架构,提高对小目标的检测性能;然后,采用VoV-GSCSP来取代模型颈部网络的ELAN-W模块,以降低计算成本和网络结构的复杂性,提高推理速度;其次,在颈部网络中引入一种无参注意力机制,增强局部上下文信息的关联性,更准确地提取目标的定位;最后,选用归一化高斯Wasserstein距离(Normalized Gaussian Wasserstein Distance,NWD)优化常用的IoU指标,来计算预测框与真实框之间的重叠关系,增强对小目标的定位和检测精度。实验结果表明,ISTD-YOLO可以有效改善检测效果,对比基线模型,在HIT-UAV与IDSAT数据集上的检测精度分别提高8.52%与4.77%;模型体积仅有21.8 MB,参数量减少69.8%,计算量下降17.6%;相较于当下主流算法,ISTD-YOLO在各方面指标均得到有效改善,能够实现对红外小目标的高质量检测。展开更多
文摘目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进行替换。此外,用全维动态卷积替换特征融合网络中的普通卷积,同时嵌入CA(coordinate attention)注意力模块,增强模型特征融合能力。在此基础上对原算法中损失函数进行替换,采用更加优秀的损失函数SIoU(SCYLLA intersection over union),提高检测效率。实验采用CCPD(Chinese city parking dataset)数据集,筛选出部分具有挑战性的复杂场景中的车牌图片。实验结果表明:改进后的YOLOv7算法检测速度有大幅提升,帧率从原有的81.9帧/s提升至120帧/s。同时准确率(m AP)达到95.1%,提升2.9百分点,权重模型大小为36.1 MB。可以做到对复杂场景下的车牌进行实时检测,满足轻量化要求,提升了检测速度和精度。
