一种基于改进YOLOv5s的轨迹数据检测道路交叉口方法OA
使用传统的矢量化算法提取道路交叉口,在检测效率、检测精度以及参数设置上性能有限,无法达到自适应分割交叉口轨迹的任务需求。本文提出一种基于改进YOLOv5s的轨迹数据检测道路交叉口方法,通过插入卷积注意力机制模块、修改原始置信度损失函数与定位损失函数等方法改进原始YOLOv5s模型结构,提高交叉口检测精度与效率;融合不同城市区域轨迹数据获取泛化能力强的训练样本集,并采用多尺度模型训练策略,利用预训练权重YOLOv5s进行迁移学习,提高模型泛化能力与鲁棒性。实验结果表明,改进后YOLOv5s模型的检测精确率、精度和召回率分别高达95.92%、99.16%和96.71%,优于其他目标检测模型,为道路交叉口检测更新提供技术支撑。
孙耐思;张云菲;唐耿标;陈涛
极端环境绿色长寿道路工程全国重点实验室,湖南长沙410114 长沙理工大学交通运输工程学院,湖南长沙410114极端环境绿色长寿道路工程全国重点实验室,湖南长沙410114 长沙理工大学交通运输工程学院,湖南长沙410114极端环境绿色长寿道路工程全国重点实验室,湖南长沙410114 长沙理工大学交通运输工程学院,湖南长沙410114极端环境绿色长寿道路工程全国重点实验室,湖南长沙410114 长沙理工大学交通运输工程学院,湖南长沙410114
天文与地球科学
轨迹数据道路交叉口YOLOv5模型注意力机制损失函数
《测绘科学技术学报》 2026 (1)
P.50-59,10
国家自然科学基金项目(42371474,41971421)湖南省科技创新计划项目(2021RC3099,2022JJ30590)长沙理工大学研究生科研创新项目(CLKYCX24006)。
评论