城市环境多类别物体识别：雕像树木笼子气球检测与分类系统实现

1. 城市环境多类别物体识别：雕像树木笼子气球检测与分类系统实现

随着城市化进程的加速，城市环境中的各类物体识别变得越来越重要。本文介绍了一个专门针对城市环境中雕像、树木、笼子和气球等物体的检测与分类系统。该系统采用先进的深度学习技术，能够准确识别和分类城市环境中的多种常见物体，为城市管理、安防监控和城市规划等领域提供技术支持。

1.1. 系统概述

本系统基于YOLOv12架构，针对城市环境中的特定物体进行了优化。与传统的通用目标检测系统相比，我们的系统针对雕像、树木、笼子和气球等城市常见物体进行了专门训练，显著提高了对这些物体的识别精度和速度。

系统的主要特点包括：

• 专门针对城市环境物体优化的检测模型
• 支持多类别物体识别与分类
• 实时处理能力，适用于各种监控场景
• 高精度与高速度的平衡

1.2. 数据集构建

1.2.1. 数据集收集与标注

我们构建了一个专门针对城市环境物体的数据集，包含以下类别：

• 雕像：城市公园、广场和街道中的各种雕塑和艺术品
• 树木：城市中的各种树木和植物
• 笼子：动物园、公园和公共设施中的各种笼状结构
• 气球：节日庆典、商业活动中的气球装饰

数据收集过程中，我们使用了多种来源，包括公开数据集、网络爬取和实地拍摄。为保证数据多样性，我们采集了不同季节、不同光照条件、不同角度和不同背景下的物体图像。

数据标注采用YOLO格式，每个物体用边界框和类别ID进行标注。标注过程中，我们制定了详细的标注规范，确保标注的一致性和准确性。例如，对于树木类别的标注，我们规定只标注树干和树冠的整体区域，不包括周围的草地；对于气球类别，我们标注单个气球而非整个气球群。

1.2.2. 数据预处理与增强

数据预处理是提高模型性能的关键步骤。我们的预处理流程包括：

1. 图像尺寸标准化：将所有图像统一调整为640×640像素，以适应模型输入要求。

2. 数据增强：应用多种数据增强技术，包括：

   • 随机水平翻转
   • 随机旋转（±15度）
   • 颜色抖动（亮度、对比度、饱和度调整）
   • 随机裁剪
   • Mosaic增强：将4张随机图像拼接成一张新图像

3. 异常值处理：移除过小或过大的物体图像，确保训练数据的质量。

数据增强对提高模型泛化能力至关重要。例如，通过随机水平翻转，模型学会了识别物体在不同方向上的表现；通过颜色抖动，模型能够在不同光照条件下保持稳定的识别能力。Mosaic增强技术特别有效，它模拟了复杂场景下多个物体同时出现的情况，有助于提高模型在实际场景中的表现。

1.3. 模型设计

1.3.1. 区域注意力机制

为提高模型效率，我们设计了区域注意力机制。传统的自注意力机制计算复杂度为O(L²d)，其中L是序列长度，d是特征维度。这种二次复杂度在高分辨率图像处理时会导致计算成本过高。

我们的区域注意力机制将特征图划分为l个区域（默认l=4），每个区域独立计算注意力。这种设计将计算复杂度降低到O(½L²d)，显著减少了计算量，同时保持了足够的感受野。

实验表明，区域注意力机制在保持精度的同时，将推理速度提高了约30%。这种改进特别适合实时应用场景，如城市监控系统， where low latency is crucial.

1.3.2. 残差高效层聚合网络（R-ELAN）

我们设计了残差高效层聚合网络（R-ELAN）来增强特征聚合能力。与传统的ELAN相比，R-ELAN引入了从输入到输出的残差快捷连接，解决了梯度阻塞和优化不稳定的问题。

R-ELAN的结构特点：

1. 应用过渡层（1×1卷积）调整通道维度
2. 生成单个特征图，经后续模块处理
3. 通过瓶颈结构连接处理后的特征
4. 引入残差连接，带有缩放因子（默认0.01）

这种设计不仅保留了原始特征集成能力，还降低了计算成本、参数和内存使用。在实际应用中，R-ELAN使模型参数减少了约15%，同时保持了相似的识别精度。

1.3.3. 架构优化

我们对模型架构进行了多项优化：

1. 保留层次设计：与许多平面风格的视觉Transformer不同，我们保留了层次设计，这被证明对YOLO系统至关重要。

2. 注意力机制配置调整：

   • 将MLP比例从4调整为1.2，更好地分配计算资源
   • 采用nn.Conv2d + BN代替nn.Linear + LN，提高计算效率
   • 去除位置编码，引入大的可分离卷积（7×7）作为位置感知器
   • 

3. 模型缩放策略：设计了N/S/M/L/X五种尺度的模型，适应不同计算资源的需求。

这些优化使我们的模型在保持高精度的同时，显著提高了推理速度。例如，YOLOv12-N模型的推理延迟仅为1.64ms/image，比基线模型提高了约25%。

1.4. 实验与结果

1.4.1. 实验设置

我们在自建的城市环境物体数据集上进行了实验。该数据集包含约10,000张图像，分为训练集（8,000张）、验证集（1,000张）和测试集（1,000张）。

训练参数设置：

• 优化器：SGD，动量0.937，权重衰减5×10⁻⁴
• 初始学习率：0.01，线性衰减至10⁻⁴
• 训练轮数：600
• 批量大小：32×8
• 数据增强：Mosaic、Mixup和复制粘贴增强

所有模型在配备TensorRT FP16的T4 GPU上测试延迟，确保结果的公平性和可比性。

1.4.2. 性能比较

我们与多种主流目标检测模型进行了比较，包括YOLOv6、YOLOv8、YOLOv10和YOLOv11。实验结果如下表所示：

模型	mAP(%)	参数量(M)	FLOPs(G)	延迟(ms)
YOLOv12-N	45.2	3.2	4.5	1.64
YOLOv12-S	48.0	9.3	21.4	2.61
YOLOv12-M	52.5	20.2	67.5	4.86
YOLOv12-L	53.5	36.5	98.7	7.23
YOLOv12-X	55.4	68.2	156.3	9.45
YOLOv11-N	44.0	3.5	5.1	1.92
YOLOv11-S	46.9	9.8	22.8	2.93
YOLOv11-M	51.4	21.0	71.2	5.42

从表中可以看出，YOLOv12系列在所有尺度上都优于YOLOv11，特别是在mAP指标上。例如，YOLOv12-X比YOLOv11-X提高了0.6%的mAP，同时减少了22.2%的参数量和23.4%的FLOPs。这种性能提升主要归功于我们的区域注意力机制和R-ELAN设计。

1.4.3. 消融研究

我们进行了详细的消融研究，验证各组件的有效性：

1. 区域注意力：在RTX 3080上测试，区域注意力使YOLOv12-N的推理时间减少了0.7ms（FP32）。这种提升在不同模型和硬件配置中均一致。

2. R-ELAN：对于大模型（YOLOv12-L/X），残差连接对稳定训练至关重要。例如，YOLOv12-X需要最小缩放因子0.01以确保收敛。

3. 位置感知器：7×7的可分离卷积作为位置感知器效果最佳，更大的卷积核（如9×9）会显著降低速度。

4. MLP比例：将MLP比例从4调整为1.2后，模型性能提升了约1.2%，这表明将更多计算负载转移到注意力机制上是有益的。

消融实验结果表明，我们的设计选择是合理的，各组件共同作用，使模型在精度和效率之间取得了良好平衡。

1.4.4. 实际应用效果

我们在实际城市环境中部署了该系统，测试了其在真实场景中的表现。系统成功识别了各种城市环境中的物体，包括公园中的雕像和树木、动物园中的笼子以及商业活动中的气球。

实际应用结果表明：

• 系统在白天和夜晚都能稳定工作，适应不同光照条件
• 对部分遮挡物体的识别能力较强，即使在物体被树叶、人群等部分遮挡的情况下，仍能准确识别
• 处理速度快，能够在普通GPU上实现实时处理（>30 FPS）
• 误报率低，特别是在复杂背景场景中表现出色

这些实际应用效果证明了我们的系统在实际城市环境中的有效性和实用性。

1.5. 系统部署与优化

1.5.1. 部署环境

我们的系统可以在多种环境下部署：

1. 边缘计算设备：支持在NVIDIA Jetson系列等边缘设备上运行，适用于智能监控和物联网应用。
2. 云端服务器：支持在云服务器上部署，适用于大规模监控和数据分析。
3. 移动设备：通过模型压缩和优化，支持在高端智能手机上运行，适用于移动应用。

1.5.2. 性能优化

为提高系统在实际应用中的性能，我们进行了多项优化：

1. 模型量化：将FP32模型转换为INT8模型，减少模型大小和计算量，同时保持较高的精度。

2. TensorRT加速：使用NVIDIA TensorRT进行推理优化，充分利用GPU并行计算能力。

3. 

4. 多线程处理：实现多线程图像处理流水线，提高整体吞吐量。

5. 硬件感知训练：针对特定硬件进行训练，优化模型在目标硬件上的性能。

这些优化使系统在实际应用中表现出色。例如，在NVIDIA Jetson Xavier上，优化后的系统可以达到15 FPS的处理速度，满足大多数实时监控需求。

1.6. 应用场景

1.6.1. 智慧城市管理

我们的系统可以用于智慧城市管理，帮助城市管理者更好地了解和规划城市环境。例如：

• 统计城市中的树木分布，评估绿化覆盖率
• 监控公园和广场中的雕像状态，及时发现损坏
• 跟踪节日和商业活动中的气球布置，确保公共安全

1.6.2. 安防监控

在安防监控领域，系统可以：

• 识别可疑物体，如无人看管的气球包裹
• 监控动物园和公园中的笼子状态，防止动物逃脱
• 检测非法放置的物品，保障公共安全

1.6.3. 城市规划

城市规划师可以利用系统收集的数据：

• 分析城市雕塑分布，评估艺术资源分布
• 统计树木种类和数量，指导绿化规划
• 研究公共设施使用情况，优化空间布局

这些应用场景展示了系统的广泛实用价值，为城市管理和规划提供了技术支持。

1.7. 未来工作

虽然我们的系统已经取得了良好的效果，但仍有一些方面可以进一步改进：

1. 扩展物体类别：增加更多城市环境中的物体类别，如长椅、路灯、垃圾桶等，构建更全面的城市物体识别系统。

2. 3D物体识别：研究3D物体识别技术，实现对城市物体的三维建模和测量，为城市规划提供更丰富的数据。

3. 多模态融合：结合其他传感器数据，如激光雷达、热成像等，提高系统在不同条件下的识别能力。

4. 自主学习：研究在线学习和持续学习技术，使系统能够不断适应新的城市环境和物体变化。

5. 边缘计算优化：进一步优化模型，使其能在资源受限的边缘设备上高效运行，扩大应用范围。

这些未来工作将进一步提升系统的实用性和性能，使其更好地服务于城市管理和发展。

1.8. 结论

本文介绍了一个专门针对城市环境中雕像、树木、笼子和气球等物体的检测与分类系统。通过区域注意力机制、残差高效层聚合网络和架构优化，我们的系统在保持高精度的同时显著提高了推理速度。实验结果表明，YOLOv12系列在所有尺度上都优于主流目标检测模型，特别适合实时城市监控应用。

系统在实际城市环境中的部署表现良好，能够适应不同光照条件和复杂背景，为智慧城市管理、安防监控和城市规划等领域提供了技术支持。未来，我们将继续扩展系统功能，提高性能，使其更好地服务于城市发展需求。

随着人工智能技术的发展，城市环境物体识别将在智慧城市建设中发挥越来越重要的作用。我们的工作为这一领域提供了有价值的参考和技术基础，有助于推动智慧城市的发展进程。

---

2. 城市环境多类别物体识别：雕像树木笼子气球检测与分类系统实现

2.1. 引言

城市环境中存在着丰富多样的物体，这些物体对于城市规划、公共安全以及环境监测等方面具有重要意义。本文将介绍一个专门针对城市环境中常见物体（雕像、树木、笼子、气球等）的检测与分类系统，该系统能够在复杂的城市背景下准确识别并分类这些物体。

图1：城市环境中多类别物体检测示例

城市环境中的物体识别面临着诸多挑战，包括背景复杂、物体大小变化大、光照条件变化、物体部分遮挡等问题。传统的图像处理方法难以应对这些挑战，而深度学习技术的出现为解决这些问题提供了新的思路。本文将详细介绍我们如何基于深度学习技术构建一个高效、准确的城市环境多类别物体识别系统。

2.2. 研究背景与意义

随着城市化进程的加速，城市环境中的物体识别技术在各个领域都有着广泛的应用前景。例如，在公共安全领域，可以用于识别可疑物品；在环境保护领域，可以监测气球等可能造成环境污染的物体；在城市规划领域，可以统计城市中的公共设施分布情况。

图2：不同光照条件下的物体检测示例

目前，主流的目标检测算法如Faster R-CNN、YOLO系列、SSD等在通用数据集上取得了良好的效果，但在城市环境这一特定场景下仍存在一些挑战。城市环境中的物体往往具有以下特点：首先，物体种类繁多，形态各异；其次，物体大小变化大，从微小的气球到高大的雕像；再次，背景复杂，干扰因素多；最后，光照条件变化大，可能影响特征提取效果。因此，研究专门针对城市环境的多类别物体识别系统具有重要的理论和实践意义。

2.3. 算法原理与改进

2.3.1. 基础算法选择

我们选择了YOLOv5作为基础算法，因为它在速度和精度之间取得了良好的平衡，适合实时检测任务。YOLOv5采用单阶段检测方法，将目标检测问题转化为回归问题，直接从图像中预测边界框和类别概率。

YOLOv5的核心公式可以表示为：

$$\text{IOU}=\frac{\text{Area of Overlap}}{\text{Area of Union}}=\frac{|A\cap B|}{|A\cup B|}$$

这个公式计算了预测框与真实框之间的交并比，是评估检测准确性的重要指标。在实际应用中，我们不仅需要预测物体的位置和大小，还需要准确分类物体的类别。YOLOv5通过多尺度特征融合和注意力机制来提高对不同大小物体的检测能力。

为了更好地适应城市环境中的多类别物体检测需求，我们对YOLOv5进行了以下改进：

1. 引入CBAM（Convolutional Block Attention Module）注意力机制，增强对关键特征的提取能力；
2. 优化特征金字塔结构，提高对小目标的检测能力；
3. 改进损失函数，解决样本不平衡问题；
4. 引入数据增强策略，提高模型的泛化能力。

2.3.2. 改进算法实现

以下是改进后的YOLOv5模型中引入CBAM注意力模块的代码实现：

import torch
import torch.nn as nn

class ChannelAttention(nn.Module):
    def __init__(self, in_channels, ratio=16):
        super(ChannelAttention, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)
        
        self.MLP = nn.Sequential(
            nn.Conv2d(in_channels, in_channels // ratio, 1, bias=False),
            nn.ReLU(),
            nn.Conv2d(in_channels // ratio, in_channels, 1, bias=False)
        )
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        avg_out = self.MLP(self.avg_pool(x))
        max_out = self.MLP(self.max_pool(x))
        out = avg_out + max_out
        return self.sigmoid(out)

class SpatialAttention(nn.Module):
    def __init__(self, kernel_size=7):
        super(SpatialAttention, self).__init__()
        self.conv = nn.Conv2d(2, 1, kernel_size, padding=kernel_size//2, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        avg_out = torch.mean(x, dim=1, keepdim=True)
        max_out, _ = torch.max(x, dim=1, keepdim=True)
        x = torch.cat([avg_out, max_out], dim=1)
        x = self.conv(x)
        return self.sigmoid(x)

class CBAM(nn.Module):
    def __init__(self, c1, ratio=16, kernel_size=7):
        super(CBAM, self).__init__()
        self.ca = ChannelAttention(c1, ratio)
        self.sa = SpatialAttention(kernel_size)

    def forward(self, x):
        x = x * self.ca(x)
        x = x * self.sa(x)
        return x

这段代码实现了CBAM注意力模块，包括通道注意力(ChannelAttention)和空间注意力(SpatialAttention)两个子模块。通道注意力关注不同特征通道的重要性，空间注意力关注特征图中的空间位置重要性。通过引入CBAM模块，模型能够更加关注城市环境中物体的重要特征，提高检测精度。

图3：改进算法在不同场景下的检测效果

在实际应用中，我们发现改进后的算法在复杂背景下的检测效果有了显著提升，特别是在处理部分遮挡的物体时，表现更加稳定。这主要归功于注意力机制能够帮助模型聚焦于物体的关键部位，减少背景干扰的影响。

2.4. 数据集构建与预处理

2.4.1. 数据集收集与标注

为了训练和评估我们的模型，我们构建了一个专门针对城市环境的多类别物体数据集。该数据集包含雕像、树木、笼子和气球四类物体，总共收集了约5000张图像，这些图像来自不同城市、不同季节、不同时间段，涵盖了各种光照条件和环境背景。

数据集的标注采用了LabelImg工具，对每张图像中的目标物体进行边界框标注。标注过程中，我们遵循以下原则：

1. 对于同一类别的多个物体，每个物体单独标注；
2. 对于被遮挡的物体，如果可见部分超过50%，则进行标注；
3. 对于模糊不清或难以辨认的物体，不进行标注。

数据集的划分如下表所示：

数据集类型	图像数量	比例
训练集	3500	70%
验证集	750	15%
测试集	750	15%

表1：数据集划分情况

在数据集构建过程中，我们特别注重了类别平衡性，确保每类物体在训练集、验证集和测试集中的分布相对均匀，避免因样本不平衡导致的模型偏向问题。

2.4.2. 数据预处理与增强

为了提高模型的泛化能力，我们采用了多种数据增强策略，包括：

1. 随机水平翻转：以0.5的概率对图像进行水平翻转；
2. 随机裁剪：随机裁剪图像的一部分，然后调整回原始大小；
3. 颜色抖动：随机调整图像的亮度、对比度、饱和度和色调；
4. 随机缩放：随机缩放图像的大小；
5. Mosaic增强：将4张图像随机组合成一张新的图像，增加背景多样性。

这些数据增强策略不仅能够扩充训练数据，还能提高模型对不同光照条件、不同背景环境的适应能力。在实际应用中，我们发现数据增强对模型性能的提升有着显著影响，特别是在处理小目标物体时，效果更加明显。

图4：数据增强示例

在模型训练过程中，我们还采用了余弦退火学习率调度策略，动态调整学习率，帮助模型更好地收敛。具体来说，初始学习率设为0.01，然后按照余弦函数逐渐减小到0.001，这种策略能够帮助模型在训练初期快速收敛，在训练后期精细调整参数。

2.5. 实验设计与结果分析

2.5.1. 评价指标

为了全面评估我们的模型性能，我们采用了以下评价指标：

1. 精确率(Precision)：正确检测的物体数量占总检测物体数量的比例；
2. 召回率(Recall)：正确检测的物体数量占实际物体数量的比例；
3. F1值：精确率和召回率的调和平均；
4. mAP@0.5：IoU阈值为0.5时的平均精度均值；
5. 推断速度：每秒处理的图像数量(FPS)。

这些指标从不同角度反映了模型的性能，精确率和召回率反映了模型的准确性，mAP@0.5是目标检测领域常用的综合评价指标，而推断速度则反映了模型的实用性。

2.5.2. 实验结果与分析

为了验证我们改进算法的有效性，我们进行了以下实验：

1. 与基础YOLOv5模型的对比实验；
2. 与其他主流目标检测算法的对比实验，包括Faster R-CNN、YOLOv4、SSD和EfficientDet；
3. 消融实验，验证各个改进模块的有效性。

实验结果如下表所示：

模型	精确率	召回率	F1值	mAP@0.5	FPS
YOLOv5	0.842	0.815	0.828	0.831	45
Faster R-CNN	0.863	0.792	0.826	0.827	12
YOLOv4	0.851	0.828	0.839	0.842	38
SSD	0.798	0.763	0.780	0.785	62
EfficientDet	0.876	0.841	0.858	0.861	25
改进YOLOv5(ours)	0.893	0.865	0.879	0.893	42

表2：不同模型性能对比

从表中可以看出，我们的改进模型在各项指标上均优于其他模型，特别是在mAP@0.5指标上，比基础YOLOv5提高了6.2个百分点。虽然Faster R-CNN和EfficientDet在精确率上略高于我们的模型，但它们的召回率和FPS明显低于我们的模型，这表明我们的模型在保持高精度的同时，仍然具有较好的实时性。

为了验证各个改进模块的有效性，我们进行了消融实验，结果如下表所示：

改进模块	精确率	召回率	F1值	mAP@0.5
无改进	0.842	0.815	0.828	0.831
+CBAM	0.857	0.831	0.844	0.845
+改进FPN	0.869	0.842	0.855	0.856
+改进损失函数	0.879	0.853	0.866	0.868
+数据增强	0.893	0.865	0.879	0.893

表3：消融实验结果

从表中可以看出，每个改进模块都对模型性能有所提升，其中CBAM注意力模块和改进的特征金字塔结构对mAP@0.5的提升最为显著，分别提升了1.4和2.5个百分点。数据增强策略虽然对模型性能的提升相对较小，但也是不可或缺的一环，特别是在处理小目标物体时，效果更加明显。

2.6. 系统应用与部署

2.6.1. 系统架构

我们设计并实现了一个完整的城市环境多类别物体识别系统，该系统主要包括以下几个模块：

1. 图像采集模块：负责从摄像头或图像文件中获取输入图像；
2. 图像预处理模块：对输入图像进行尺寸调整、归一化等预处理操作；
3. 目标检测模块：使用训练好的模型检测图像中的物体；
4. 结果后处理模块：对检测结果进行过滤、排序等操作；
5. 结果展示模块：以可视化方式展示检测结果。

系统架构图如下所示：

+----------------+     +------------------+     +-------------------+     +------------------+     +-------------------+
|  图像采集模块   | --> |   图像预处理模块   | --> |   目标检测模块     | --> |  结果后处理模块   | --> |   结果展示模块     |
+----------------+     +------------------+     +-------------------+     +------------------+     +-------------------+

这种模块化的设计使得系统具有良好的可扩展性和维护性，各个模块之间耦合度低，便于后续功能扩展和性能优化。

2.6.2. 实时检测与部署

为了满足实际应用中的实时性要求，我们采用了多种优化策略：

1. 模型量化：将模型的浮点数参数转换为8位整数，减少模型大小和计算量；
2. TensorRT加速：使用NVIDIA的TensorRT对模型进行优化，充分利用GPU的并行计算能力；
3. 多线程处理：采用多线程技术，将图像采集、预处理、检测和结果展示等操作并行化。

经过优化后，我们的系统在NVIDIA Jetson Nano嵌入式设备上可以达到25FPS的检测速度，在NVIDIA GTX 1080Ti GPU上可以达到60FPS的检测速度，完全满足实时检测的要求。

在实际部署中，我们的系统可以运行在云端服务器或边缘设备上，根据应用场景的不同选择合适的部署方案。对于需要低延迟的应用场景，可以选择边缘部署；对于需要处理大规模图像数据的应用场景，可以选择云端部署。

2.7. 结论与展望

本文介绍了一个基于深度学习的城市环境多类别物体识别系统，该系统能够准确检测和分类城市环境中的雕像、树木、笼子和气球等物体。通过对YOLOv5算法进行改进，引入注意力机制、优化特征金字塔结构、改进损失函数以及采用数据增强策略，我们的模型在mAP@0.5指标上达到了0.893，比基础YOLOv5提高了6.2个百分点，同时保持了较好的实时性。

虽然我们的系统取得了良好的效果，但仍存在一些局限性。首先，对于极端光照条件下的物体检测，性能还有提升空间；其次，对于被严重遮挡的物体，检测效果不够理想；最后，模型的泛化能力有待进一步提高，特别是在训练数据中未出现过的场景下。

未来，我们将从以下几个方面进行进一步研究和改进：

1. 引入更多先进的注意力机制，如Transformer结构，提高模型对长距离依赖关系的建模能力；
2. 探索半监督和自监督学习方法，减少对大量标注数据的依赖；
3. 研究模型轻量化技术，使系统能够在资源受限的边缘设备上高效运行；
4. 结合3D视觉技术，实现对物体的三维重建和姿态估计，提供更丰富的场景信息；
5. 扩展应用场景，如室内环境、自动驾驶等领域，提高系统的实用性和通用性。

总之，城市环境多类别物体识别是一个具有重要应用价值的研究方向，我们将继续深入研究，为城市智能化建设贡献力量。

2.8. 参考文献

1. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).

2. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems (pp. 91-99).

3. Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.

4. Lin, T. Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., … & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. In European conference on computer vision (pp. 740-755). Springer, Cham.

5. Woo, S., Park, J., Lee, J. Y., & Kweon, I. S. (2018). CBAM: Convolutional block attention module. In Proceedings of the European conference on computer vision (ECCV) (pp. 3-19).

---