E-YOLOv4-tiny:用于城市道路场景的交通信号检测算法.
Yanqiu Xiao1,2, Shiao Yin1,2, Guangzhen Cui1,2
1College of Mechanical and Electrical Engineering, Zhengzhou University of Light Industry, Zhengzhou, China.
本研究介绍了一种改进的E-YOLOv4-tiny模型,用于在自动驾驶中增强交通信号检测. 新模型显著提高了准确性,降低了参数,性能优于现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 自主驾驶系统 自主驾驶系统
背景情况:
- 交通标志检测对于自动驾驶至关重要,但受到小物体尺寸和复杂的城市环境的挑战.
- 现有的方法在现实道路场景中难以获得准确性和效率.
研究的目的:
- 为无人驾驶驾驶系统开发一个更准确,更有效的交通标志检测模型.
- 克服当前YOLOv4微型架构在特征提取和多尺度集成方面的局限性.
主要方法:
- 提出了改进的E-YOLOv4-tiny架构,其中包括一个高效的层聚合轻量级块,用于增强特征提取.
- 引入了一个具有高效坐标注意力的特征融合精炼模块,以集成多尺度特征和精炼干扰.
- 一个改进的空间兴趣区域融合 (S-RFB) 模块被纳入,以添加上下文信息.
主要成果:
- 改进的模型在CCTSDB和清华-讯100K数据集的平均精度 (mAP) 上分别提高了3.76%和7.37%.
- 与原来的YOLOv4-tiny.com相比,模型参数的数量减少了21%.
- 在平衡精度,实时能力和模型大小方面,与其他先进方法相比,表现出卓越的性能.
结论:
- 拟议的E-YOLOv4-tiny模型在自动驾驶的交通标志检测准确性和效率上提供了显著的改进.
- 该方法提供了一个实用的解决方案,由于其平衡的性能指标,具有高的应用价值.
更多相关视频
11:41Evaluation of an Exclusive Spur Dike U-Turn Design with Radar-Collected Data and Simulation
Published on: February 1, 2020
11:12Driving Simulation in the Clinic: Testing Visual Exploratory Behavior in Daily Life Activities in Patients with Visual Field Defects
Published on: September 18, 2012
相关概念视频
Design Example: Alignment of a Road Line Using GIS
Sight Distance in a Vertical Curve
Rolling Resistance: Problem Solving
Introduction to the Sign Test
Relative Motion Analysis using Rotating Axes-Problem Solving
Here, in order to determine the magnitude of velocity and acceleration for point...
Elevation of Intermediate Points on Vertical Curves
