目标检测YOLO实战应用案例100讲-自动驾驶复杂场景下目标检测

目录

知识储备

基于深度学习的yolov5自动驾驶目标检测

数据集

01 「Waymo数据集」

02「PandaSet」

 03「nuScenes」

 04「Lyft Level 5」

 05「H3D - HRI-US」

 06「Boxy vehicle detection数据集」

 07「BLVD」

 08「SODA10M 数据集」

 09「D²-City数据集」

10「Apollo Scape数据集」

 11「BDD100K」

 12「KITTI」

 13「CityPersons 」

14「TUD-Brussels Pedestrian &TUD-MotionPairs 」

一、课题背景与意义

二、算法理论原理

2.1 YOLOv5算法

2.2 小目标增强模块

三、检测的实现

3.1 数据集

3.2 实验环境搭建

3.3 实验及结果分析

前言

研究背景与意义

研究背景

研究意义

国内外研究现状

自动驾驶

传统目标检测算法

基于深度学习的目标检测算法

2相关理论与关键技术

2.1图像处理相关理论和技术

2.2目标检测神经网络架构与特点

2.3当前主流目标检测框架

2.3.1 Faster R-CNN框架

2.3.2 SSD框架

2.3.3 YOLO框架

2.4目标检测关键技术

2.4.1小目标检测方式

2.4.2多目标下遮挡目标检测解决方式

2.5评价指标

3改进的适合自动驾驶复杂场景下的目标检测算法

3.1经典目标检测框架实验分析

---

---

本文篇幅较长，分为上下两篇，下篇详见自动驾驶复杂场景下目标检测（续）

知识储备

基于深度学习的yolov5自动驾驶目标检测

数据集