一种基于YOLOv8改进的偏振图像道路目标检测方法
摘要文本
本申请公开了一种基于YOLOv8改进的偏振图像道路目标检测方法，属于偏振图像目标检测领域，包括：获取偏振图像数据集并进行预处理，将预处理后的偏振图像数据集划分为训练集和测试集；通过可变形卷积模块DCN v2构建第一C2f模块，通过重参数模块DBB构建第二C2f模块，结合卷积注意力机制模块CBAM和损失函数模块Wise IoU对YOLOv8进行改进，得到改进的网络模型；将训练集输入网络模型进行迭代训练，得到目标网络模型；将测试集输入至目标网络模型中进行测试，通过测试后的目标网络模型得到道路目标检测结果，检测性能更高，适用于恶劣天气条件下自动驾驶的场景分析。。来自专利查询网
申请人信息
- 申请人:长春理工大学
- 申请人地址:130022 吉林省长春市卫星路7089号
- 发明人: 长春理工大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于YOLOv8改进的偏振图像道路目标检测方法 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311639656.3 |
| 申请日 | 2023/12/4 |
| 公告号 | CN117351448B |
| 公开日 | 2024/3/8 |
| IPC主分类号 | G06V20/56 |
| 权利人 | 长春理工大学 |
| 发明人 | 刘建华; 文瀚; 陈广秋; 范大祥; 刘秉坤; 柏浩源 |
| 地址 | 吉林省长春市卫星路7089号 |
专利主权项内容
1.一种基于YOLOv8改进的偏振图像道路目标检测方法，其特征在于，包括：获取偏振图像数据集并对所述偏振图像数据集进行预处理，将预处理后的偏振图像数据集划分为训练集和测试集，其中，所述偏振图像数据集包括不同天气条件下的道路目标偏振图像；通过可变形卷积模块DCN v2构建第一C2f模块，通过重参数模块DBB构建第二C2f模块，结合卷积注意力机制模块CBAM和损失函数模块Wise IoU对YOLOv8进行改进，得到改进的网络模型；将所述训练集输入所述网络模型进行迭代训练，得到目标网络模型；将测试集输入至所述目标网络模型中进行测试，通过测试后的目标网络模型得到道路目标检测结果；所述第一C2f模块包括：依次连接的卷积Conv模块、Split模块，N个并行连接的DCN v2_Bottleneck模块以及卷积Conv模块；输入的图像信息通过一个卷积核为11，步长为1，无填充的卷积Conv模块后，通过Split模块将通道数平均分成两份，一半通道数的图像信息通过N个并行连接的DCN v2_Bottleneck模块后与另一半通道数的图像信息通过残差方式Concat连接，最后通过一个卷积Conv模块；其中卷积Conv模块具体结构为Conv2d + BN +SiLU，N代表第一C2f模块中并行DCN v2_Bottleneck重复的次数，DCN v2_Bottleneck模块具体结构为两层可变形卷积模块DCN v2 + BN + SiLU；所述第二C2f模块包括：依次连接的卷积Conv模块、Split模块，N个并行连接的DBB_Bottleneck模块以及卷积Conv模块，其中，所述DBB_Bottleneck模块包括两层重参数模块DBB；输入的图像信息通过一个卷积Conv模块后，通过Split模块将通道数平均分成两份，一半通道数的图像信息通过并行连接的DBB_Bottleneck模块后与另一半通道数的图像信息通过残差方式Concat连接，最后通过一个卷积Conv模块；所述目标网络模型中，输入的图像信息经过两层卷积Conv模块后与C2f模块连接，往后连接三组卷积Conv模块+第一C2f模块+CBAM模块最后连接SPPF模块，组成目标特征提取网络；在SPPF模块后提取的特征通过UP模块和Concat模块，再与经过CBAM模块后的相同特征图尺寸的分支相加，再通过第二C2f模块进行多尺度特征融合，组成目标特征融合网络；对目标特征融合网络中的不同特征图尺寸的分支通过目标检测网络进行检测，目标检测网络为解耦的两分支，通过连续的两层卷积Conv模块和Conv2d模块后两分支分别通过BboxLoss和Cls Loss进行目标区域和类别预测。 来自马克数据网