基于YOLOv7-R的多车辆目标识别

TP181; 针对智能交通控制对于多车辆目标识别高准确率的需求,基于YOLO算法,提出一种改进的YOLOv7-R算法.将全局注意力机制(GAM)引入骨干网络,增强特征提取性能;利用全维动态高效聚合网络(ODEANet)重构主干网络,提高算法的鲁棒性与精度;使用上下文转换器(CoTNet)替换运算量巨大的可扩展高效聚合层网络(E-ELAN),来引导动态注意力矩阵学习,并降低浮点运算量;采用K-means++聚类算法优化先验帧,提高先验帧的匹配度.通过系统性的改进,车辆多目标识别的效率和准确度均得到提升.在自由流、同步流、阻塞流3种交通流下,分别进行了消融实验.结果表明:YOLOv7-R平均识别率...

Full description

Saved in:
Bibliographic Details
Published in东南大学学报（自然科学版） Vol. 54; no. 5; pp. 1260 - 1270
Main Authors 李珣, 伍荣兴, 周慧龙, 刘欣, 高涵, 王文杰
Format Journal Article
LanguageChinese
Published 西安工程大学电子信息学院,西安 710048 01.09.2024
陕西省人工智能联合实验室西安工程大学分部,西安 710000%西安工程大学电子信息学院,西安 710048%西安欧亚学院信息工程学院,西安 170068
Subjects
vehicle detection
注意力机制
特征提取
multi-object recognition
attention mechanism
feature extraction
YOLOv7
多目标识别
车辆检测
Online AccessGet full text
ISSN1001-0505
DOI10.3969/j.issn.1001-0505.2024.05.023

Cover

More Information
Summary:TP181; 针对智能交通控制对于多车辆目标识别高准确率的需求,基于YOLO算法,提出一种改进的YOLOv7-R算法.将全局注意力机制(GAM)引入骨干网络,增强特征提取性能;利用全维动态高效聚合网络(ODEANet)重构主干网络,提高算法的鲁棒性与精度;使用上下文转换器(CoTNet)替换运算量巨大的可扩展高效聚合层网络(E-ELAN),来引导动态注意力矩阵学习,并降低浮点运算量;采用K-means++聚类算法优化先验帧,提高先验帧的匹配度.通过系统性的改进,车辆多目标识别的效率和准确度均得到提升.在自由流、同步流、阻塞流3种交通流下,分别进行了消融实验.结果表明:YOLOv7-R平均识别率分别达到97.13％、94.85％和94.60％,与基线算法相比分别提高了 3.65％、3.20％和1.40％;算法的检测帧率分别为74.63、79.37和75.76帧/s.与基线算法相比,YOLOv7-R的浮点运算量降低3.10％,参数量降低13.37％.
ISSN:1001-0505
DOI:10.3969/j.issn.1001-0505.2024.05.023