文献类型：期刊文章

作　　者：李琳[1] 靳志鑫[2] 俞晓磊[3] 王安红[1]

LI Lin;JIN Zhixin;YU Xiaolei;WANG Anhong(School of Electronic Information Engineering,Taiyuan University of Science and Technology,Taiyuan 030027,China;School of Physical Education and Sports,Taiyuan University of Science and Technology,Taiyuan 030027,China;National Radio Frequency Identification Product Inspection and Testing Center(Jiangsu),Jiangsu Provincial Institute of Quality and Standardization,Nanjing 210029,China)

机构地区：[1]太原科技大学电子信息工程学院,太原030027 [2]太原科技大学体育学院,太原030027 [3]江苏省质量和标准化研究院国家射频识别产品检验检测中心(江苏),南京210029

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金联合基金重点项目(U23A20314);国家自然科学基金(62072325,61771240);中国博士后科学基金(2022M711620);太原科技大学科研启动基金(2024072)。

年　　份：2024

卷　　号：60

期　　号：20

起止页码：207-214

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CSCD、CSCD_E2023_2024、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在当前智能化、信息化的大背景下,为了实现无人驾驶模式复杂环境中智能收集道路的行人和车辆目标,提出了一种基于Haar小波下采样(Haar wavelet downsampling,HWD)的YOLOv9算法(HWD_YOLOv9)用于车辆与行人目标检测。Haar小波的下采样操作,降低特征图的空间分辨率,尽可能保留了边缘、纹路等细节信息,有效降低了信息的不确定性。采用交叉熵损失和广义骰子损失之和作为网络的损失函数,可以有效地度量概率分布之间的差异,且逐像素进行骰子损失计算,便于优化网络。实验结果显示,在KITTY数据集上,所提模型的平均精度均值达到了95.86%,检测帧率达到了179 FPS。与YOLOv9相比,改进后的算法能够精确地识别出复杂道路上不同尺度的车辆与行人,改善了原检测算法中的计算容量的冗余和小目标的漏检问题,为智能化的无人驾驶提供了视觉技术支持。

关 键 词：小目标检测 车辆行人  YOLOv9  深度学习  Haar小波下采样  

分 类 号：TP391.4]