改进YOLO轻量化网络的行人检测算法

常青; 韩文; 王清华; 李振华

doi:10.13741/j.cnki.11-1879/o4.2022.01.012

您当前的位置：

首页 >

文章列表页 >

改进YOLO轻量化网络的行人检测算法

光学图像处理与识别 | 更新时间：2025-09-01

- 改进YOLO轻量化网络的行人检测算法
- Pedestrian detection algorithm based on improved YOLO lightweight network
- 光学技术 2022年48卷第1期页码：80-85
- 作者机构：
  
  1. 1:南京理工大学理学院
  2. 2:南京林业大学信息科学技术学院
- 作者简介：
- 基金信息：
- DOI：10.13741/j.cnki.11-1879/o4.2022.01.012
  中图分类号： TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
常青, 韩文, 王清华, 等. 改进YOLO轻量化网络的行人检测算法[J]. 光学技术, 2022,48(1):80-85.

Pedestrian detection algorithm based on improved YOLO lightweight network[J]. 2022, 48(1): 80-85.
常青, 韩文, 王清华, 等. 改进YOLO轻量化网络的行人检测算法[J]. 光学技术, 2022,48(1):80-85. DOI： 10.13741/j.cnki.11-1879/o4.2022.01.012.

Pedestrian detection algorithm based on improved YOLO lightweight network[J]. 2022, 48(1): 80-85. DOI： 10.13741/j.cnki.11-1879/o4.2022.01.012.

摘要

针对当前行人检测方法计算量大、检测精度低的问题

基于YOLOv4-tiny提出一种改进的行人检测算法。引入通道注意力和空间注意力模块(CBAM)至CSPDarknet53-tiny网络中

通过学习图像的位置信息和通道信息得到更加丰富的特征;在骨干网络CSPDarknet53-tiny之后引入空间金字塔池化模块

能够极大地增加感受野

分离出最显著的上下文特征;使用CIoU损失函数对算法的多任务联合损失进行了优化。实验分别使用INRIA和WiderPerson中的训练集作为训练模型

INRIA和WiderPerson中的测试集分别作为测试集来验证模型。实验表明

对比YOLOv4-tiny目标检测模型

改进后的网络在INRIA测试集中精确度、召回率和平均精度值分别提升了6.23%、3.15%和6.12%;改进后的网络在WiderPerson测试集中精确度、召回率和平均精度值分别提升了3.65%、3.28%和4.41%。改进后的模型在几乎不影响检测实时性的前提下

更易于行人特征提取

提高了检测精度。

Abstract

针对当前行人检测方法计算量大、检测精度低的问题

基于YOLOv4-tiny提出一种改进的行人检测算法。引入通道注意力和空间注意力模块（CBAM）至CSPDarknet53-tiny网络中

通过学习图像的位置信息和通道信息得到更加丰富的特征;在骨干网络CSPDarknet53-tiny之后引入空间金字塔池化模块

能够极大地增加感受野

分离出最显著的上下文特征;使用CIoU损失函数对算法的多任务联合损失进行了优化。实验分别使用INRIA和WiderPerson中的训练集作为训练模型

INRIA和WiderPerson中的测试集分别作为测试集来验证模型。实验表明

对比YOLOv4-tiny目标检测模型

更易于行人特征提取

提高了检测精度。

关键词

Keywords

references

浏览量

2228

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种基于零样本学习的图像降噪算法

融合注意力机制的相位解包裹方法

基于注意力空洞U-Net的MRI图像分割方法

一种结合增强对齐与多注意力融合的偏振视频超分辨方法

基于高光谱遥感的荒漠化草原草种类分类模型研究