期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
利用改进的YOLOv5方法实施高速公路施工车辆检测及效果
1
作者 李峰 代忠 +3 位作者 回达鹏 邢彬 赵建东 高宇航 《科学技术与工程》 北大核心 2025年第27期11842-11850,共9页
针对高速公路施工场景中背景干扰复杂、车辆种类多样以及目标特征稀缺等问题,提出了一种改进的YOLOv5高速公路施工车辆检测算法。首先,引入空间感知通道注意力机制(spatial-aware channel attention,SCA),通过动态调整通道权重,增强与... 针对高速公路施工场景中背景干扰复杂、车辆种类多样以及目标特征稀缺等问题,提出了一种改进的YOLOv5高速公路施工车辆检测算法。首先,引入空间感知通道注意力机制(spatial-aware channel attention,SCA),通过动态调整通道权重,增强与施工车辆相关的特征表达能力,同时抑制背景干扰;其次,采用改进的加权跨层特征融合网络结构(weighted cross-layer feature fusion network,WCL-FFN)替代原有的路径聚合网络(path aggregation network,PAN),优化了特征融合过程,减少了计算冗余,并显著提高了多尺度目标检测性能;此外,结合幻影操作降低网络计算量与参数量,提高检测效率;最后,使用高效交并比损失函数(efficient intersecion over union,EIoU)替代传统交并比损失函数(intersecion over union,IoU),改善了边界框回归精度,进一步提升了检测精度和网络收敛速度。为验证算法的有效性,在施工车辆数据集上进行了实验,结果表明:本文提出的改进YOLOv5模型的均值平均精度(mean average precision,mAP)达到90.5%,与YOLOv5s相比,mAP提高了8.9%;与YOLOx相比,提高了6.2%;与YOLOv8相比,提高了3.5%。该方法在复杂场景中表现出更强的鲁棒性,提供了高速公路施工车辆检测的高效解决方案。 展开更多
关键词 目标检测 高速公路 YOLOv5 注意力机制 特征融合 Ghost模块
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部