针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny...针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny,增加小目标检测层;其次,引入SimAM(A Simple,Parameter-Free Attention Module for Convolutional Neural Networks)无参注意力机制模块,优化训练损失函数,并对其目标车辆进行轨迹跟踪及预测,通过改进的多目标跟踪算法StrongSORT(Strong Simple Online and Realtime Tracking)的短期预测不断矫正LSTM(Long Short Term Memory)的长期预测,即建立SS-LSTM模型,并将预测的超车轨迹与智能网联车自身轨迹在同一时间纬度下进行拟合,得到传统车辆切入时的风险预判模型。实验结果表明,本文的自动驾驶风险预判方法有效预判了传统车辆切入时的风险。仿真实验表明,改进YOLOV7-Tiny相比于原有算法mAP(mean Average Precision)提高了2.3个百分点,FPS(Frames Per Second)为61.35 Hz,模型大小为12.6 MB,模型满足车载端轻量化的需求。实车实验表明,根据SS-LSTM模型所得到的风险预判准确率为90.3%。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
文摘针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny,增加小目标检测层;其次,引入SimAM(A Simple,Parameter-Free Attention Module for Convolutional Neural Networks)无参注意力机制模块,优化训练损失函数,并对其目标车辆进行轨迹跟踪及预测,通过改进的多目标跟踪算法StrongSORT(Strong Simple Online and Realtime Tracking)的短期预测不断矫正LSTM(Long Short Term Memory)的长期预测,即建立SS-LSTM模型,并将预测的超车轨迹与智能网联车自身轨迹在同一时间纬度下进行拟合,得到传统车辆切入时的风险预判模型。实验结果表明,本文的自动驾驶风险预判方法有效预判了传统车辆切入时的风险。仿真实验表明,改进YOLOV7-Tiny相比于原有算法mAP(mean Average Precision)提高了2.3个百分点,FPS(Frames Per Second)为61.35 Hz,模型大小为12.6 MB,模型满足车载端轻量化的需求。实车实验表明,根据SS-LSTM模型所得到的风险预判准确率为90.3%。
