基于MobileNetV3-YOLOv4的车型识别

扫码查看

原文链接

国家科技期刊平台
NETL
NSTL
万方数据
维普

中文摘要：为改善现有车型识别算法在参数量较大时训练时间较长等缺点,提出基于原有YOLOv4的改进算法.通过使用MobileNetV3替换YOLOv4的主干特征提取网络,使用深度可分离卷积替换标准卷积的方式削减模型参数量,然后使用K-means算法设置预选框用以提升模型最终识别精度,其中MobileNetV3部分在训练模型时使用迁移学习的方法,加快了整个模型的收敛速度.实验结果表明,改进算法在BIT-Vehicle数据集上的车型识别准确率为96.17％,参数量约为53.77MB,检测速度较YOLOv4提升了26％.改进识别算法在保证95％精确度的情况下,降低了车辆识别模型的参数量,同时也提升了检测速度.

外文标题：Vehicle Type Recognition Based on MobileNet-YOLOv4

作者：

万浪、凌毓涛、郑锡聪、李夏雨

展开 >

作者单位：

华中师范大学物理科学与技术学院,湖北武汉430079

关键词：

MobileNetV3 YOLOv4 车型识别深度可分离卷积

出版年：

2021

DOI：

10.11907/rjdk.211191