科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统车辆目标检测模型设备需求高、检测精度低、重叠目标漏检率高等问题，提出了一种改进YOLOv8的车辆目标检测算法RBT-YOLO。首先，采用多尺度融合的方式对主干网络进行重构。然后用对BiFPN进行改进，增加卷积操作以及调整输入输出通道个数以适应YOLOv8，加强其特征融合能力。在Neck部分输出的特征图之后加入轻量型注意力机制Triplet Attention，提升模型的特征提取能力。最后针对真实情况下车辆目标重叠度较高的问题，使用SoftNMS(soft non maximum suppression)替换原有NMS，使模型对候选框的处理方式更为温和，增强了模型对目标的检测能力，提升了召回率。在Pascal VOC和MS COCO数据集上进行实验，结果表明提出的RBT-YOLO性能超越原始模型，参数量和计算量下降60%左右，mAP分别提高了2.6%和3.0%，并在体积和精度上优于其他经典检测模型，具有很强的实用性。
- 出版日期2023
- 单位辽宁科技大学
