为了提升汽车辅助系统对前方障碍物的检测效果并进一步获取精确的距离信息,文章提出了一种基于改进YOLOv8s的交通场景障碍物检测与双目测距方法。该方法以YOLOv8s(You Only Look Once v8s)网络为基础,首先在Backbone中引入EMA注意力机制...
详细信息
为了提升汽车辅助系统对前方障碍物的检测效果并进一步获取精确的距离信息,文章提出了一种基于改进YOLOv8s的交通场景障碍物检测与双目测距方法。该方法以YOLOv8s(You Only Look Once v8s)网络为基础,首先在Backbone中引入EMA注意力机制,以提高目标检测精度;其次将Neck中的PANFPN网络替换为ASF(Attentional Scale Sequence Fusion)网络,并采用DIoU优化损失函数;在特征匹配算法ORB的基础上,利用RANSAC算法剔除误匹配的点对。通过在KITTI数据集和实际交通场景中的实验,结果表明,在20 m的距离范围内,改进后的YOLOv8s网络对汽车、行人和非机动车3类障碍物的检测mAP(mean average precision)达到了91.1%,提高了4.8%,同时测距的平均误差仅为1.55%。
本文研究同类平行机环境下的在线排序问题,其中工件具有任意到达时间,目标为最小化最大完工时间.所讨论机器的速度,除了最后一台为s(s>1)外,其余m−1台机器的速度均为1.本文分析了列表(list scheduling,LS)算法的性能,得到了机器数m=2及m≥3时LS算法的竞争比分别为2/3+√5和4−4/m+1,并在一般情形下设计了一个竞争比不超过3.8626的更好的算法—改良列表(modified list scheduling,MLS)算法.
暂无评论