YOLOSCM：面向车辆检测的改进型 YOLO 算法
计算机视觉与模式识别
2025-01-24 v1
摘要
在城市交通图像中检测物体存在诸多困难，主要原因包括：1）这些图像通常尺寸巨大，包含数百万甚至数亿像素，但计算资源有限。2）在某些场景下，车辆尺寸较小，导致获取的特征信息不足以进行准确检测。3）车辆分布不均，导致计算资源利用效率低下。为解决上述问题，本文提出了 YOLOSCM（You Only Look Once with Segmentation Clustering Module），一个高效且有效的框架。针对大规模图像和车辆非均匀分布的挑战，本文提出了分段聚类模块（SCM）。该模块能够自适应识别聚类区域，使模型能够聚焦于这些区域，以实现更精确的检测。此外，本文提出了一种新的训练策略，以优化在复杂城市交通场景中对小型车辆和密集目标的检测。我们在城市交通数据集上进行大量实验，以展示所提出方法的有效性和优越性。
引用
@article{arxiv.2501.13343,
title = {YOLOSCM: An improved YOLO algorithm for cars detection},
author = {Changhui Deng and Lieyang Chen and Shinan Liu},
journal= {arXiv preprint arXiv:2501.13343},
year = {2025}
}