摘要
لمعالجة مشكلة ضعف قدرة تعلم ميزات التفاصيل في خوارزمية YOLOv5s في بيئات عالية السرعة ومعقدة، وزيادة المعلومات الزائدة، ونقص دمج الميزات الأساسية مما يؤدي إلى انخفاض دقة اكتشاف أهداف المركبات، يقترح هذا البحث نموذج كشف المركبات في الوقت الحقيقي على الطرق السريعة المبني على YOLOv5s (YOLOv5s-CRCP). أولاً، يتم دمج وحدة الانتباه التلافيفي ضمن وحدة الباقي لتعزيز تعلم ميزات التفاصيل وكبح تدخل المعلومات الزائدة؛ ثانياً، يتم دمج الانتباه التلافيفي في شبكة الهرم لتمييز المعلومات ذات الأهمية المختلفة، وتعزيز دمج الميزات الأساسية. أجريت تجارب على مجموعة بيانات مركبات الطرق السريعة في نينغشيا، حيث وصلت دقة الكشف المتوسط إلى 91.2٪، متفوقة على الخوارزمية الأصلية بنسبة 4.1٪. تظهر نتائج التجارب أن الطريقة المقترحة توفر أداء كشف أفضل مقارنةً بـ YOLOv5s والخوارزميات الرئيسية للكشف عن أهداف المركبات في الوقت الحقيقي.
关键词
آلية الانتباه;YOLOv5s;كشف أهداف المركبات;النقل الذكي;الشبكات العصبية
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website