基于YOLOv10-vehicle算法的复杂天气情况下车辆目标检测方法

Vehicle target detection method based on the YOLOv10-vehicle algorithm under complex weather conditions

摘要

针对在阴天、雨天、夜晚等复杂天气情况下，车辆目标检测受到光照、雨雪、沙尘等因素影响，出现错检、漏检等问题，提出了一种YOLOv10-vehicle目标检测算法。首先，设计了一种新的注意力机制模块WT-PSA，在复杂天气下提高模型对车辆目标的关注度；其次，改进了SPPF模块，通过引入平均池化操作，改善因最大池化操作导致的特征信息提取不足问题；然后，设计了改进的C2f-OD模块，提升主干网络提取图片特征信息的能力；最后，将模型损失函数替换为Focal EIoU，以加快收敛速度并降低损失值；在车辆数据集UA-DETRAC上进行对比实验，改进后的算法平均准确率（mAP@0.5）相较原算法提升了5.1%，证明了YOLOv10-vehicle算法在复杂天气、恶劣天气下车辆检测方面的优越性。同时，在VOC公共数据集上进行实验验证，YOLOv10-vehicle算法在检测车辆目标时检测精度提高了2.8%，证明了本文改进算法的泛化性。

Abstract

In the face of complex weather conditions such as cloudy days， rainy days， and nights， vehicle target detection is affected by factors such as lighting， rain， snow， and dust. As a result， problems like false detections and missed detections occur. To address these issues， a YOLOv10-vehicle target detection algorithm is proposed. Firstly， a new attention mechanism module named WT-PSA is designed to improve the model's attention to vehicle targets under complex weather. Secondly， the SPPF module is improved by introducing the average pooling operation to address the problem of insufficient feature information extraction caused by the max pooling operation. Then， an improved C2f-OD module is put forward to enhance the ability of the backbone network to extract image feature information. Finally， the model's loss function is replaced with Focal EIoU to accelerate the convergence speed and reduce the loss value. Comparative experiments are conducted on the vehicle dataset UA-DETRAC. The mean average precision （mAP@0.5） of the improved algorithm is increased by 5.1% compared with that of the original algorithm， demonstrating the superiority of the YOLOv10-vehicle algorithm in vehicle detection under complex and severe weather conditions. Meanwhile， experiments are also carried out on the VOC public dataset. The detection accuracy of the YOLOv10-vehicle algorithm in detecting vehicle targets is improved by 2.8%， which verifies the generalization ability of the improved algorithm in this paper.

Graphical abstract

关键词

车辆目标检测 / YOLOv10n / C2f模块 / 恶劣天气

Key words

vehicle target detection / YOLOv10n / C2f module / severe weather

0 引 言

车辆普及带来的便利越来越多，但是车辆事故也日益增多，尤其是在恶劣天气、复杂天气情况下车辆交通事故更为集中。在恶劣天气下的车辆目标检测成为亟待解决的问题。

随着基于深度学习的车辆检测技术的更新，它在智能交通中发挥着越来越重要的作用^［1］。但是在复杂天气和恶劣天气下，该算法输入信息往往存在大量的噪声和干扰，以至于检测常出现错检、漏检问题。如何解决复杂天气、恶劣天气状况下车辆目标的错检、漏检问题成为研究的热点。

目前针对车辆目标检测问题，许多国内外学者^［2］进行了深入研究，提出包括数据增强技术、锚框设计、多尺度检测和上下文信息利用等改进方法。VGG^［3］和AleX Net^［4］算法分别采用了随机裁剪、随机缩放再裁剪、图片翻转等数据增强技术。锚框设计则最早应用于Faster RCNN^［5］算法，通过设计不同大小和宽高比的锚框适配不同大小的目标。薛珊等^［6-8］使用K-means方法重新设计先验框，提出了针对无人机的目标检测算法，提高了原模型在复杂背景、遮挡情况下检测无人机的精度。周飞等^［9］提出一种改进YOLOv8的车辆目标检测算法。通过添加SimAM注意力模块增强了目标车辆的重要特征，提高了模型的特征融合能力，改善了复杂交通监控场景下车辆检测精度不足、检测速度慢的问题。针对复杂交通场景下城市车辆目标检测算法存在漏检、精度低、泛化能力弱的问题，许德刚等^［10］提出一种改进的YOLOv8城市车辆目标检测算法，采用一种改进的GAM-C2f结构来代替主干网络中的C2f模块，平衡模型的计算效率和准确性，改善了城市交通场景下小目标车辆检测性能不佳的问题。张利丰等^［11］在多层级特征融合方面做出改进，提出了改进YOLOv8的车辆目标检测算法RBT-YOLO。采用多尺度融合的方式对主干网络进行重构，对BiFPN进行改进，增加卷积操作以及调整输入输出通道个数以适应YOLOv8，加强其特征融合能力，以解决传统车辆目标检测模型设备需求高、检测精度低、重叠目标漏检率高等问题。

虽然上述算法已应用于车辆目标检测方向，但在车辆所处天气情况恶劣时，图像输入模糊，噪声过大，光线变暗时，算法检测容易产生漏检、误检的问题。本文针对车辆目标在复杂天气、恶劣天气情况下易漏检、错检、目标特征表达不充分等问题，以轻量化性能良好的YOLOv10n单阶段目标检测网络为基础框架进行改进研究。通过改进注意力机制、空间金字塔池化模块、C2f模块、引进新损失函数，提出一种改进的车辆目标检测算法YOLOv10-vehicle，解决了恶劣天气条件下车辆易漏检、误检的问题，提高了模型的平均准确率。

1 基于YOLOv10n的检测算法设计

YOLO系列算法作为当前主流的目标检测算法，近年来得到了不断的发展，从YOLOv1到YOLOv10，YOLO网络的性能逐渐提高，在保证实时性的前提下，使网络拥有较高的识别精度^［11-15］。目前，YOLOv10算法被广泛应用在各种视觉场合。其网络结构如图1所示。

1.1　Backbone主干网络

YOLOv10以增强版CSPNet作为主干网络，其将CSPNet中第四、五个标准卷积模块CBS更换为SCDown（Selective channel down-sampling）。每次卷积后利用C2f模块提取和转换输入数据的特征，生成更具表征能力的输出。并在Backbone的最后加入快速空间金字塔池化（SPPF）模块和高效的部分自注意力机制（PSA），进一步整合提取特征信息，最终输出3个不同尺寸的特征信息。

1.2　Neck特征融合层

YOLOv10的Neck部分主要负责特征融合，连接骨干网络（Backbone）和检测头（Head），其设计目的是在不同尺度上有效整合特征，以便进行更准确的目标检测。

Neck部分应用路径聚合网络（PANet），PANet通过上采样（如双线性插值）将低层特征图提升到与高层特征图相同的空间尺寸，通过加法或拼接操作，将底层特征（含有更多细节）与顶层特征（包含丰富语义信息）结合，增强了信息流动。同时PANet还采用了横向连接（Lateral connections），使得低层和高层特征可以直接相互影响。最终生成的融合特征图将传递给后续的检测头，用于目标检测。

1.3　Head检测头部分

检测头接收来自Neck部分的多尺度特征图（包括来自不同尺度的特征融合结果），负责对输入的特征图进行处理。检测头采用了One-to-many Head和One-to-one Head并行部署的双头结构。在训练时，One-to-many Head会为每个目标分配多个 Anchor 或参考点（Anchor-free 设计），生成多个预测框，覆盖目标的不同位置和尺度变化，提升训练稳定性。而One-to-one Head每个目标仅分配一个最优预测框，通过优化标签匹配策略（如匈牙利匹配）直接筛选出最可靠的预测。两个头同时参与计算损失，模型能够利用One-to-many Head的丰富监督信号来优化模型参数；而在推理预测时，只需使用One-to-one Head，从而绕过了非极大值抑制（NMS）过程，在不增加额外推理成本的情况下提高了效率，实现了NMS-ree的高效推理^［16］。

2 基于改进的YOLOv10-vehicle车辆目标检测算法设计

针对城市环境中不同天气情况下，车辆目标在拍摄图像中分布随机，以及易受复杂背景信息影响的现象，从主干网络、特征融合网络和损失函数3个方面对YOLOv10n进行改进，提出YOLOv10n-vehicle算法，达到复杂天气、恶劣天气情况下目标检测算法要求的高精度以及实时性。改进后的算法结构如图2所示。

考虑到在恶劣天气情况下城市车辆目标检测存在漏检、误检、检测准确度偏低的问题，在YOLOV10n网络基础上，提出一种改进算法。设计了一种新的注意力机制模块WT-PSA，在复杂天气下提高网络模型对车辆目标的关注度。其次，采用改进的SPPF_A模块，在增强主干网络特征提取能力的同时，缓解了原有SPPF应用最大池化所导致的局部特征信息丢失问题。然后，改进模型中的C2f模块，通过添加全维度动态卷积模块（ODConv）来提升主干网络提取图片特征信息的能力，提高模型的鲁棒性。最后，采用Focal EIoU损失函数提升模型的回归精度并提高收敛速度。

2.1　WT-PSA注意力模块设计

PSA模块中通过1×1的卷积将特征通道分为两份，一份进入由多头自注意力模块（MHSA）和前馈网络（FFN）组成的NPSA块，之后与另一份未处理的特征连接融合，得到最终的输出特征。

本文针对不良天气条件下的车辆目标检测问题，在PSA模块基础上进行改进，构建了WT-PSA模块，首先采用两个3×3卷积核叠加的卷积方式，与单个3×3卷积核并行进行多尺度的特征提取，获得多种尺度的特征图。其次，将支路中的第二个常规卷积替换为小波卷积（WTConv）^［17］，小波卷积的示例如图3所示。通过小波变换将输入图像分解为不同的频率成分，然后在每个频率子带上应用小尺寸的深度卷积核进行卷积操作，实现对图像的多尺度分析，从而能够提取到更丰富、更全面的图像特征。

将PSA的输入替换为多尺度卷积结果，得到WT-PSA模块，其结构如图4所示。通过对PSA模块输入部分的改进实现在复杂天气下视野模糊时，提高模型对车辆目标的关注度。

2.2　C2f-OD模块设计

YOLOv10n模型主干网络中重复使用C2f模块可以将浅层具有高空间分辨率的特征与深层具有丰富语义信息的特征进行融合，从而在保持空间细节的同时，增强特征的语义表达能力，提高对目标物体的定位和识别精度。通过部分连接的方式，C2f模块在一定程度上借鉴了DenseNet的特征重用策略，但又结合了YOLO系列模型的目标检测需求，使其在实际应用中更加高效。本文针对不良天气导致的车辆目标模糊、亮度不足、目标与背景易混淆的问题，提出C2f-OD模块，将全维度动态卷积（ODConv）^［18］引入C2f模块中。其中ODConv在卷积核的4个维度上引入了注意力机制，分别是空间维度、输入通道维度、输出通道维度和卷积核维度，其结构如图5所示。

在目标检测任务中，对于物体形状、纹理等特征，ODConv可以根据其重要性动态分配权重，从而更好地提取和表示这些特征，提高模型对复杂数据的理解能力。将输入信息降维处理后利用ODConv通过动态调整卷积核在不同维度上的权重，更精准地捕捉输入数据的特征，通过标准卷积模块将通道数提升，再将其与输入进行残差链接得到ODBottleneck。最后，运用ODBottleneck模块替换C2f中的Bottleneck，得到C2f-OD模块，提高模型的检测精度，使改进网络的性能得到进一步提升。模块结构如图6所示。

2.3　SPPF_A模块设计

SPPF模块结合了空间金字塔池化（Spatial pyramid pooling）和快速卷积的思想，允许模型在不同的尺度上对输入特征进行处理。通过在多个尺度上进行5×5的最大池化，SPPF模块能够捕捉到更丰富的上下文信息。虽然这种方式能很好地提取输入特征信息，但由于其仅利用最大池化操作来提取特征，导致部分全局特征信息丢失。

在复杂天气情况下，图像数据存在背景复杂、噪声较多的情况。平均池化的平滑特性可以起到一定的降噪作用，使后续特征提取更稳定。因此，本文设计了SPPF_A模块，网络结构如图7所示。SPPF_A模块在连续的最大池化操作同时进行一次5×5的平均池化操作，用以加强对全局特征信息的提取能力，防止因最大池化操作导致的特征信息提取不足问题。然后通过Concat操作与连续的最大池化输出特征进行拼接融合，获得更加详细的全局特征。缓解了因天气情况不佳导致的车辆目标漏检、错检等问题。

2.4　Focal EIoU损失函数

YOLOv10的预测框回归采用CIoU损失函数，CIoU的计算公式如下：

\mathrm{1}-\mathrm{I}\mathrm{o}\mathrm{U}+\frac{d^{\mathrm{2}}\left(b,b^{\mathrm{g}\mathrm{t}}\right)}{c^{\mathrm{2}}}+\alpha v（1）

\mathrm{I}\mathrm{o}\mathrm{U}=\frac{\left|b\bigcap b^{\mathrm{g}\mathrm{t}}\right|}{\left|b\bigcup b^{\mathrm{g}\mathrm{t}}\right|}（2）

v=\frac{\mathrm{4}}{{\mathrm{\pi }}^{\mathrm{2}}}{\left(\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\frac{w^{\mathrm{g}\mathrm{t}}}{h^{\mathrm{g}\mathrm{t}}}-\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\frac{w}{h}\right)}^{\mathrm{2}}（3）

式中：d为真实框与预测框中心点的欧氏距离；b为预测框；b^{\mathrm{g}\mathrm{t}}为真实框；c为真实框与预测框最小外接矩形的对角线距离；\alpha为权重参数；v为度量宽高比一致性；\mathrm{I}\mathrm{o}\mathrm{U}为真实框与预测框的面积交并比；w^{\mathrm{g}\mathrm{t}}为真实框的宽度；h^{\mathrm{g}\mathrm{t}}为真实框的高度；w为预测框的宽度；h为预测框的高度。CIoU不仅考虑了交并比，还考虑了目标框和预测框的中心距离以及宽高比的差异。但是，CIoU难以度量预测框与真实框宽高之间的真实差异，且在预测框和目标框几乎完全重合（IoU接近1）时，CIOU损失函数中的各项变化非常微小，可能会导致梯度消失问题。因此，本文引进Focal EIoU损失函数进行预测框的回归损失计算。Focal EIoU将CIoU中预测框与真实框的宽高比损失项，拆分成预测框与真实框的宽度差值和高度差值，即用\frac{d^{\mathrm{2}}\left(w,w^{\mathrm{g}\mathrm{t}}\right)}{C_w^{\mathrm{2}}}+\frac{d^{\mathrm{2}}\left(h,h^{\mathrm{g}\mathrm{t}}\right)}{C_h^{\mathrm{2}}}替换CIoU中的\alpha v项，加快模型收敛速度。同时，引入Focal Loss优化预测框回归任务中的样本不平衡问题，减少与真实框重叠较少的预测框对回归损失的影响，使回归损失趋向高质量预测框。其计算式如式（4）（5）所示：

\begin{array}{c}{L}_{\mathrm{E}\mathrm{I}\mathrm{o}\mathrm{U}}=\mathrm{1}-\mathrm{I}\mathrm{o}\mathrm{U}+\\ \frac{d^{\mathrm{2}}\left(b,b^{\mathrm{g}\mathrm{t}}\right)}{c^{\mathrm{2}}}+\frac{d^{\mathrm{2}}\left(w,w^{\mathrm{g}\mathrm{t}}\right)}{C_w^{\mathrm{2}}}+\frac{d^{\mathrm{2}}\left(h,h^{\mathrm{g}\mathrm{t}}\right)}{C_h^{\mathrm{2}}}\end{array}（4）

L_{\mathrm{F}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{⁃}\mathrm{E}\mathrm{I}\mathrm{o}\mathrm{U}}=\mathrm{I}\mathrm{o}{\mathrm{U}}^{\lambda }\times L_{\mathrm{E}\mathrm{l}\mathrm{o}\mathrm{U}}（5）

式中：L_{\mathrm{E}\mathrm{I}\mathrm{o}\mathrm{U}}为EIoU损失函数值；\lambda为控制异常值抑制程度参数值；C_w为预测框与真实框最小外接矩形的宽度；C_h为预测框与真实框最小外接矩形的高度^［19］；L_{\mathrm{F}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{⁃}\mathrm{E}\mathrm{I}\mathrm{o}\mathrm{U}}为引入了Focal Loss优化的EIoU损失函数值。

3 实验与结果分析

3.1　数据集的建立和预处理

针对城市环境不同天气状况下的车辆目标检测问题，本文选用UA-DETRAC数据集，该数据集中包含多种天气条件，如夜晚、阴天、晴天、下雨和下雪等。其中包含使用佳能EOS550D相机在中国北京和天津的24个不同地点拍摄的10 h视频。视频以25帧/s的速度录制，分辨率为960×540像素。UA-DETRAC数据集中有超过14万帧和8 250辆手动标注的车辆。考虑到数据集的特征冗余以及实验设备算力有限，对UA-DETRAC数据集进行处理，每10帧取1张图片对模型进行训练和验证。同时，因数据集原有标签文件格式为xml格式，不能用于YOLOv10n的训练，所以将数据及标签转化为YOLOv10n所需的txt格式。因原有的xml文件中存在忽略的区域（Ignored region），忽略区域并不能在txt格式文件中体现出来。若直接训练，则忽略区域中的车辆并没有与之对应的标签信息，这会对模型训练造成很大的干扰。

为了保证数据集中的样本与标签能够正确匹配，本文针对这种情况对数据集中的忽略区域进行了涂黑遮蔽处理。处理后的数据集包含训练集8 639张图片、验证集2 231张图片。部分车辆数据集如图8所示。

3.2　实验环境和参数设置

本次实验的操作系统为Windows；CPU为13th Gen Intel（R） Core（TM） i5-13600KF；GPU为显存12 GB的NVIDIA GeForce RTX 4070；深度学习框架选为Pytorch。具体环境如表1所示。

深度学习模型中，超参数的取值会影响模型的检测性能。为了验证本文改进的泛化性，模型超参数均设为经验值。训练轮数为100轮，训练批次大小为16，图像输入尺寸为640×640像素，具体参数如表2所示。

3.3　评价指标

为了准确地表示模型在恶劣天气条件下的检测效果，本文采用平均精度均值（mAP@0.5）、模型参数量（Params）、浮点计算量（FLOPs）作为模型性能评价的相关指标。在目标检测算法中，平均精度均值（Mean average precision，mAP）是评价检测性能的重要指标^［20］。平均精度均值反映模型的检测精度，参数量和浮点计算量反映模型的大小和计算复杂度。其中平均精度均值和模型的准确率（P）、召回率（R）以及平均精度（AP）有关，准确率的计算公式为：

P=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times \mathrm{100}\mathrm{\%}（6）

召回率计算公式为：

R=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times \mathrm{100}\mathrm{\%}（7）

平均精度的计算公式为：

\mathrm{A}\mathrm{P}={\int }_{\mathrm{0}}^{\mathrm{1}} P(R)\mathrm{d}R（8）

平均精度均值的计算公式为：

\mathrm{m}\mathrm{A}\mathrm{P}=\frac{\mathrm{1}}{cls}{\displaystyle \sum _{i=\mathrm{1}}^c}\mathrm{A}{\mathrm{P}}_i（9）

式中：TP为模型正确检测出的目标数；FP为模型错误检测出的目标数；FN为模型未能正确检测出的目标数；cls为数据集中所有样本的类别数。

3.4　实验结果与分析

3.4.1　引入WT-PSA实验

为验证加入WT-PSA注意力模块后模型对复杂天气状况下的车辆目标检测性能，引入了类激活映射CAM（Class activation mapping）热力图可视化模块。其中，红色区域代表模型重点关注区域，颜色越深表示模型对此区域关注度越高。模型加入WT-PSA注意力模块前后热力图对比如图9所示。观察发现，加入WT-PSA后模型对目标区域的关注度明显提高。

3.4.2　消融实验

为了验证改进算法YOLOv10-vehicle模型的优化效果，以YOLOv10n为基准模型在UA-DETRAC数据集进行消融实验，观察模型的平均精度均值（mAP@0.5）、模型参数量（Params）和浮点计算量（FLOPs），实验结果如表3所示。由表3可知，每项改进都对模型的性能有一定的提升，由此能够证明改进方法的有效性和优越性。

3.4.3　不同目标检测算法对比实验

为进一步验证改进算法性能的优越性，将改进模型与近几年的热门目标检测模型Faster-RCNN、YOLOv7tiny^［21］、YOLOv8n^［22］、YOLOv11n等进行了对比实验，结果如表4所示。由表4可知，本文改进算法YOLOv10-vehicle相比其他模型，拥有更好的检测性能。为了验证本文改进算法的实际效果，将YOLOv10n与改进算法YOLOv10-vehicle进行可视化对比，检测结果如图10所示。

通过对比可以看出，YOLOv10n算法在不良天气下有明显的错检、漏检情况发生，检测精度不高，相较之下，改进算法YOLOv10-vehicle在复杂的天气条件下对车辆目标的检测和定位能力更强，在一定程度上缓解了错检、漏检的问题，证明了本文改进算法的有效性。

3.4.4　泛化能力实验

为验证本文YOLOv10-vehicle算法的泛化能力，将训练好的模型迁移至公共数据集VOC进行实验。应用本文提出的YOLOv10-vehicle目标检测算法在PASCAL VOC公共数据集上进行实验验证。本文将改进后的YOLOv10-vehicle算法和YOLOv10n算法在PASCAL VOC数据集上进行对比实验。改进前后算法平均精度均值（mAP@0.5）对比表如表5所示。实验结果表明：虽然改进算法在平均精度均值略有降低，但是车辆类别的准确率提高了2.8%，证明了本文改进算法对车辆目标检测的提升效果良好，具有一定的泛化能力。

4 结束语

针对城市环境复杂天气状况下的车辆目标检测问题，基于YOLOv10算法提出了一种改进的YOLOv10-vehicle目标检测算法，从特征提取、注意力机制、回归损失函数3个方面进行改进。选用有不同天气状况的车辆数据集UA-DETRAC，并对忽略区域进行了遮蔽处理。设计了改进的WT-PSA模块，将PSA模块的输入替换为多尺度的深度卷积结果，实现了在复杂天气下视野模糊时，提高模型对车辆目标的关注度。通过在SPPF模块中添加平均池化操作起到一定的降噪作用，缓解了因天气情况不佳导致的车辆目标漏检、错检等问题。改进了C2f模块，通过引入全维度动态卷积，对物体形状、纹理等特征根据重要性对其进行权重分配，更精准地捕捉输入数据的特征，提高模型的检测精度。最后，引入了Focal EIoU损失函数加快模型收敛速度。优化了预测框回归任务中的样本不平衡问题。将改进后的算法YOLOv10-vehicle与原算法YOLOv10n进行对比实验，实验结果表明：本文算法对城市环境不同天气情况下的车辆目标检测效果更好与不同目标检测算法（Faster-RCNN、YOLOv7-tiny、YOLOv8n、YOLOv10n、YOLOv10s、YOLOv11n）相比，本文算法具有更好的检测性能。同时，在视觉公共数据集PASCAL VOC上进行了对比实验，实验结果表明：改进后的YOLOv10-vehicle算法相较于原算法在检测车辆目标方面仍具有较好的检测效果。

参考文献

[1] 赵奇慧, 刘艳洋, 项炎平. 基于深度学习的单阶段车辆检测算法综述[J]. 计算机应用, 2020, 40(): 30-36.

[2] Zhao Qi-hui, Liu Yan-yang, Xiang Yan-ping. A review of single-stage vehicle detection algorithms based on deep learning[J]. Journal of Computer Applications, 2020, 40 (Sup.2): 30-36.

[3] 梁鸿, 王庆玮, 张千, 等.小目标检测技术研究综述[J]. 计算机工程与应用, 2021, 57(1): 17-28.

[4] Liang Hong, Wang Qing-wei, Zhang Qian, et al. A review of research on small object detection technology[J]. Computer Engineering and Applications, 2021, 57(1): 17-28.

[5] Simonyan K, Zisserman A.Very deep convolutional networks for large-scale image recognition[J]. Computer Science, 2014, 21(8): 91-103.

[6] Krizhevsky A, Sutskever I, Hinton E G. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90.

[7] Ren S Q, He K M, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.

[8] 薛珊, 王亚博, 吕琼莹, 等. 基于YOLOX-drone的反无人机系统抗遮挡目标检测算法[J]. 工程科学学报, 2023, 45(9): 1539-1549.

[9] Xue Shan, Wang Ya-bo, Qiong-ying Lü, et al. Anti-occlusion target detection algorithm for Anti-UAV systems based on YOLOX-drone[J]. Journal of University of Science and Technology Beijing, 2023, 45(9): 1539-1549.

[10] 薛珊, 卢涛, 吕琼莹, 等. 基于多尺度融合和轻量化网络的无人机目标检测算法[J]. 湖南大学学报: 自然科学版, 2023, 50(8): 82-93.

[11] Xue Shan, Lu Tao, Qiong-ying Lyu, et al. UAV Target detection algorithm based on multi-scale fusion and lightweight network [J]. Journal of Hunan University(Natural Sciences), 2023, 50(8): 82-93.

[12] 薛珊, 张亚亮, 吕琼莹, 等. 复杂背景下的反无人机系统目标检测算法[J]. 吉林大学学报: 工学版, 2023,53(3): 891-901.

[13] Xue Shan, Zhang Ya-liang, Qiong-ying LÜ, et al. Target detection algorithm for Anti-UAV systems in complex backgrounds[J]. Journal of Jilin University (Engineering and Technology Edition), 2023, 53(3): 891-901.

[14] 周飞, 郭杜杜, 王洋, 等. 基于改进YOLOv8的交通监控车辆检测算法[J]. 计算机工程与应用, 2024, 60(6): 110-120.

[15] Zhou Fei, Guo Du-du, Wang Yang, et al. Traffic monitoring vehicle detection algorithm based on improved YOLOv8[J]. Computer Engineering and Applications, 2024, 60(6): 110-120.

[16] 许德刚, 王双臣, 王再庆, 等. 改进YOLOv8算法的城市车辆目标检测 [J]. 计算机工程与应用, 2024, 60(18): 136-146.

[17] Xu De-gang, Wang Shuang-chen, Wang Zai-qing, et al. Urban Vehicle target detection algorithm based on improved YOLOv8[J]. Computer Engineering and Applications, 2024, 60(18): 136-146.

[18] 张利丰, 田莹. 改进YOLOv8的多尺度轻量型车辆目标检测算法[J]. 计算机工程与应用, 2024, 60(3): 129-137.

[19] Zhang Li-feng, Tian Ying. An improved YOLOv8-based multi-scale lightweight vehicle object detection algorithm[J]. Computer Engineering and Applications, 2024, 60(3): 129-137.

[20] Redmon J, Divvala S, Girshick R, et al. You only look once: unified, real-time object detection[C]∥IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 779-788.

[21] Redmon J, Farhadi A. YOLO9000: better, faster, stronger[C]∥IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, USA, 2017: 6517-6525.

[22] Redmon J, Farhadi A. YOLOv3: an incremental improvement[C]∥IEEE Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018:774-782.

[23] Bochkovskiy A, Wang C Y, Liao H. YOLOv4: optimal speed and accuracy of object detection[J/OL].[2020-04-23].

[24] 薛珊, 陈宇超, 吕琼莹, 等. 基于双支路神经网络的无人机图像识别方法[J]. 计算机仿真, 2023, 40(7): 233-238.

[25] Xue Shan, Chen Yu-chao, Qiong-ying Lü, et al. UAV Image recognition method based on dual-branch neural network[J]. Computer Simulation, 2023, 40(7): 233-238.

[26] Wang A, Chen H, Liu L H, et al. YOLOv10: real-time end-to-end object detection[J/OL].[2020-04-23].

[27] Ben-Hamu H, Wolf L, Polyak A. Wavelet convolutions for large receptive fields[J/OL].[2020-04-23].

[28] Yao A, Shen Y, Guo Y. Omni-dimensional dynamic convolution[J/OL].[2020-04-23].

[29] Zhang Y, Ren W, Zhang Z, et al. Focal and efficient IOU loss for accurate bounding box regression[J/OL].[2020-04-23].

[30] 薛珊, 张振, 吕琼莹, 等. 基于卷积神经网络的反无人机系统图像识别方法[J]. 红外与激光工程, 2020, 49(7): 250-257.

[31] Xue Shan, Zhang Zhen, Qiong-ying Lü, et al. Image recognition method of anti-UAV system based on convolutional neural network[J]. Infrared and Laser Engineering, 2020, 49(7): 250-257.

[32] Jocher G, Chaurasia A, Qiu J. YOLO by ultralytics[J/OL].[2020-04-23].

基金资助

国家自然科学基金项目(62206257)