基于改进YOLOX-s的车辆检测方法研究.docx

下载文档

0
0
约2.22万字
约 20页
2024-12-02 发布于北京
举报
版权申诉
保障服务

基于改进YOLOX-s的车辆检测方法研究.docx

1、本文档共20页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

第36

第36卷第2期2024年2月

Vol.36No.2Feb.2024

JournalofSystemSimulation

基于改进YOLOX-s的车辆检测方法研究

张稀柳，张晓玲*，何敏军

(江苏理工学院电气信息工程学院，常州213001)

摘要：为缓解车辆小目标漏检及误检问题，提出一种基于YOLOX网络的多尺度特征融合的改进车辆检测模型。设计基于深度可分离卷积的Ghost-CSP（crossstagepartial），替换网络的部分跨阶段局部结构，加快检测速度；将模型的最大池化方式改进为Softpool方式，并引入坐标注意力机制，增强待检测目标的特征表达，优化目标漏检问题；选用FocalLoss作为模型置信度损失函数以增加分类不准确样本的权重，提高模型对小目标的预测能力。实验结果表明：改进算法平均准确率提高到74.96%，速度达到73帧/s，在满足实时性要求下可以更好地完成车辆目标检测要求。

关键词：YOLOX；多尺度特征融合；车辆检测模型；Softpool；坐标注意力；FocalLoss

中图分类号：TP391文献标志码：A文章编号：1004-731X(2024)02-0487-10

DOI:10.16182/j.issn1004731x.joss.22-1106

引用格式:张稀柳,张晓玲,何敏军.基于改进YOLOX-s的车辆检测方法研究[J].系统仿真学报,2024,36(2):487-496.Referenceformat:ZhangXiliu,ZhangXiaoling,HeMinjun.ResearchonVehicleDetectionMethodBasedonImprovedYOLOX-s[J].JournalofSystemSimulation,2024,36(2):487-496.

ResearchonVehicleDetectionMethodBasedonImprovedYOLOX-s

ZhangXiliu,ZhangXiaoling*,HeMinjun

(CollegeofElectricalandInformationEngineering,JiangsuUniversityofTechnology,Changzhou213001,China)

Abstract:Aimprovedvehicledetectionmodelbasedonmulti-scalefeaturefusionofYOLOXnetworkisproposedtosolvetheproblemofmissingandfalsedetectionofsmallvehicletargets.Ghost-crossstagepartial(CSP)basedonthedepthseparableconvolutionisdesignedtoreplacepartofcrossstagepartialinnetworktospeedupthespeedofdetection.ThemaxpoolingmodeofmodelisimprovedtoSoftpoolmode,andcoordinateattentionmechanismisintroducedtoenhancethefeatureexpressionoftargettobedetectedandtooptimizetheproblemoftargetmissingdetection.FocalLossisselectedastheconfidencelossfunctionofmodeltoincreasetheweightofinaccurateclassificationsamplesandimprovethepredictionabilityofthemodelforsmalltargets.Theexperimentalresultsshowthattheaverageaccuracyoftheimprovedalgorithmisimprovedto74.96%,andthespeedisu