基于改进YOLOv5的斑马线和汽车过线行为检测

白小心

已于 2022-03-02 18:49:37 修改

阅读量6.8k

点赞数 8

CC 4.0 BY-SA版权

分类专栏：深度学习神经网络文章标签：计算机视觉神经网络目标检测算法 pytorch

于 2022-03-02 10:52:54 首次发布

本文链接：https://blog.youkuaiyun.com/qq_26794857/article/details/123224064

CDNet是一个基于改进YOLOv5的实时斑马线检测网络，适用于Jetson Nano设备。通过SE注意力机制、负样本训练、ROI算法和SSVM算法，实现了在复杂环境和有限计算资源下的高效检测，尤其在晴天和阴天条件下F1分数超过98%。此外，采用合成雾增强算法增强模型对雾天场景的适应性。项目提供数据集、源码和论文全文。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

今天带来一个基于改进YOLOv5的斑马线和汽车过线行为检测算法：CDNet，文章提出多项tricks， 数据集和复现代码开源！

1 信息

标题: CDNet: A Real-Time and Robust Crosswalk Detection Network on Jetson Nano Based on YOLOv5
CDNet: 一个基于YOLOv5的在Jetson Nano上实时、鲁棒的斑马线检测网络
作者：Zheng-De Zhang, Meng-Lu Tan, Zhi-Cai Lan, Hai-Chun Liu, Ling Pei, Wen-Xian Yu
时间：Feb, 2022
期刊：Neural Computing & Applications, IF 5.6

2 摘要

图形摘要

在复杂场景和有限计算能力下实现实时、鲁棒的斑马线（人行横道）检测是当前智能交通管理系统（ITMS）的重要难点之一。有限的边缘计算能力和多云、晴天、雨天、雾天和夜间等真实复杂的场景同时对这项任务提出了挑战。本研究提出基于改进YOLOv5的人行横道检测网络（CDNet），实现车载摄像头视觉下快速准确的人行横道检测，并在Jetson nano设备上实现实时检测。强大的卷积神经网络特征提取器用于处理复杂环境，网络中嵌入了squeeze-and-excitation（SE）注意力机制模块，使用负样本训练（NST）方法提高准确率，利用感兴趣区域（ROI）算法进一步提高检测速度，提出了一种新的滑动感受野短时向量记忆（SSVM）算法来提高车辆交叉行为检测精度，使用合成雾增强算法允许模型适应有雾的场景。最后，在 Jetson nano 上以 33.1 FPS 的检测速度，我们在上述复杂场景中获得了 94.83%