目标检测YOLO实战应用案例100讲-基于毫米波雷达的多目标检测（续）

最新推荐文章于 2025-05-12 17:30:24 发布

林聪木

最新推荐文章于 2025-05-12 17:30:24 发布

阅读量496

点赞数

分类专栏：目标检测YOLO系列实战应用案例精讲100例文章标签：目标跟踪人工智能算法

本文链接：https://blog.csdn.net/qq_36130719/article/details/146143691

版权

目标检测YOLO系列实战应用案例精讲100例专栏收录该内容

该专栏为热销专栏榜第91名

514 篇文章 ¥39.90 ¥99.00

订阅专栏

3.2 改进的CFAR目标检测算法

3.3 算法步骤描述

3.4 实验结果与分析

基于VGG16-Net的毫米波雷达目标检测算法

4.1 VGG16-Net网络模型

4.2 改进VGG16-Net网络的目标检测算法

4.3 算法步骤描述

4.4 实验结果与分析

知识拓展

基于毫米波雷达的多目标检测：使用YOLOv8实现

本文篇幅较长，分为上下两篇，上篇详见基于毫米波雷达的多目标检测

3.2 改进的CFAR目标检测算法

3.2.1 改进思路分析
根据3.1节对均值类和有序类CFAR检测算法分析，均值类CFAR检测算法适用于背景杂波均匀平稳的环境中，其中CA-CFAR、GO-CFAR、SO-C

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

林聪木

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
4
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究

qq_36130719的博客

05-23

2973

近几年来，在计算机视觉领域，利用深度学习卷积神经网络技术来实现各种任务的算法越来越多。毫米波雷达、相机、激光雷达、超声波雷达等车载传感器生产成本的降低，汽车的自动驾驶技术得到了飞速发展，在我们的日常生活中经常能看到该技术辅助汽车驾驶员进行行车。和非自动驾驶汽车相比，自动驾驶汽车存在诸多优点，如进一步减少交通事故，保障人身安全；提供安全合理的路线，避免交通拥堵；采用清洁无污染的电能作为汽车新能源，从而降低大气污染等。现如今，自动驾驶技术已经逐渐深入到各个领域并发挥着关键的作用。

目标检测YOLO实战应用案例100讲-基于毫米波雷达的多目标检测

qq_36130719的博客

07-17

1411

随着智能驾驶技术的不断发展，传统的三维点云目标检测算法其精度已经无法满足智能汽车对环境感知日益增长的需求。在这样的情况下AI潮流所引领的深度学习三维目标检测算法成为了智能驾驶感知算法中必不可少的一环。此小节将会分析对比当今深度学习三维点云检测算法的特点，来确定基线算法，并对其进行介绍。3.1.1 三维点云检测算法特点对比。

4 条评论您还未登录，请先登录后发表或查看评论

目标检测YOLO实战应用案例100讲-基于毫米波雷达与摄像头协同的道路目标检测与识别（续）

qq_36130719的博客

03-17

483

通过上文对毫米波雷达原始数据进行3D-FFT和CFAR处理后，将会生成点云数据和反映目标位置信息的距离-角度图。接下来通过对点云执行聚类算法获取目标的中心位置，并以聚类后的结果为中心点，设置大小合适的边界框截取包含目标信息的数据块，后续用于生成目标微多普勒时频图进行分类。其目标检测流程如图3-6所示。经过第二章的雷达原始回波数据处理流程后会生成被探测目标的点云数据，其中包含了被探测目标的距离、角度及速度信息。由于本文是基于真实道路场景下的目标识别，而道路环境的目标是处于运动中的，无法预测探测过

毫米波雷达利用卡尔曼滤波算法和最近邻数据关联算法实现多目标跟踪

weixin_46663011的博客

12-09

1631

毫米波雷达最近在多目标识别上取得了很多成果，可以应用在自动驾驶和一些隐私场景中的人员检测(例如厕所、卧室等私密环境中的人员检测)，因此本文将分享利用毫米波雷达对多目标进行识别跟踪的一个小demo，算法流程涉及基础的测速，测距测角以及静态目标滤除和CFAR，卡尔曼滤波，最近邻数据关联算法。本文将重点介绍卡尔曼滤波和最近邻数据关联算法。文章后面将展示demo效果。

目标检测YOLO实战应用案例100讲-面向辅助驾驶的道路目标检测

qq_36130719的博客

09-29

1093

根据2021年1月发布的机动车和驾驶人数据显示，截至2021年，我国机动车保有量达3.95亿辆，与2020年相比同比增长6.32%。机动车的普及为人们带来出行的便利，但另一方面，持续增长的机动车数量也带来了一系列诸如交通拥堵、交通事故频发、环境污染等社会问题。数据显示，行车事故的数量在与日俱增，仅2021一年里因为行车事故造成的伤亡人数达31万人。安全问题不容小觑，这永远是业内研究人员的关注焦点。

目标检测YOLO实战应用案例100讲-基于毫米波雷达与摄像头协同的道路目标检测与识别

qq_36130719的博客

08-22

1845

自动驾驶技术主要依靠人工智能与多源信息协同处理[ 5]。在面对错综复杂的道路环境时，智能汽车一般搭载多个传感器，收集不同传感器获取的环境及障碍物信息，分析对自身行车有威胁的道路目标从而进行有效决策，控制车辆以避免发生碰撞。因此这些不同质传感器的协同检测结果将直接影响后续的规划决策与车辆控制。环境感知作为自动驾驶极其重要的一环，所使用的主流传感器有毫米波雷达、超声波雷达、红外线传感器、摄像头以及激光雷达等。不同传感器都有各自优缺点。

目标检测YOLO实战应用案例100讲-基于数据融合的SAR图像中海上目标检测与跟踪

qq_36130719的博客

03-07

1858

本文使用的数据集为欧空局（European Space Agency, ESA）提供的Sentinal-1 数据集，Sentinel-1是欧洲“哥白尼计划”的SAR卫星机群，主要是用于陆地和海洋服务的极地轨道全天候昼夜雷达成像任务[ 34]。Sentinel-1A于2014年4月3日发射升空，Sentinel-1B于2016年4月25日发射升空，每颗卫星都携带C波段SAR，共同提供地球表面的全天候、昼夜图像。

Recraft.ai：赋能专业设计师的 AI 创意引擎

weixin_44903776的博客

05-12

606

Recraft.ai 是一款专为专业设计师打造的 AI 创意引擎，集图像生成、编辑、矢量化、协作于一体，旨在提升设计效率与创意表达。其核心功能包括 AI 图像生成器、矢量生成器、照片编辑器等，支持风格一致性与品牌化，适用于 Logo 设计、图标制作、广告素材等多个场景。Recraft.ai 强调“设计师主导”理念，提供完全掌控、高效协作与简化工作流程的优势，帮助设计师节省时间并提升作品质量。目前提供免费试用，适合设计师与设计爱好者探索 AI 创意的无限可能。

第二十一天打卡

nbbsn的博客

05-11

345

这个结果略微差于聚类后的效果，但和一开始考虑所有特征的预测效果差不多，这个降维算法也比较成功。首先我们要对训练集和测试集进行处理，将非数字部分进行编码，并且将空缺值进行填充。- 输出每个模型的最佳参数和评估指标（准确率、精确率、召回率和F1分数）- 对每个模型分别使用网格搜索和贝叶斯优化进行超参数调优。这里可以看出预测结果大大提高了，这个调整工程是成功的。- 使用三个典型模型：随机森林、支持向量机和逻辑回归。- 在验证集上评估每个模型的性能。

Python数据分析案例74——基于内容的深度学习推荐系统（电影推荐）

weixin_46277779的博客

05-10

1236

Python 数据分析与可视化：开启数据洞察之旅（5/10）

小相探索IT世界

05-09

1905

在当今数字化时代，数据就像一座蕴藏无限价值的宝藏，等待着我们去挖掘和探索。而 Python，作为数据科学领域的明星语言，凭借其丰富的库和强大的功能，成为了开启这座宝藏的关键钥匙，在数据分析和可视化领域占据着举足轻重的地位。在进行 Python 数据分析与可视化的旅程中，选择合适的开发工具至关重要。它们就像是工匠手中的精良工具，能够极大地提升我们的工作效率和开发体验。下面将为大家介绍两款在 Python 数据分析领域广泛使用的开发工具：Jupyter Notebook 和 VSCode。

什么是深度神经网络

kcarly的专栏

05-11

540

深度神经网络通过多层次的非线性变换和自动化特征学习，在多个领域实现了革命性突破。其核心技术包括反向传播、激活函数和正则化方法，而结构设计（如CNN、ResNet）和优化算法（如Adam）的进步进一步释放了模型潜力。尽管面临可解释性、计算成本等挑战，随着多模态融合、轻量化设计和新型硬件的发展，DNN将继续推动人工智能的边界，深刻影响科技与社会的发展。

【AI智能推荐系统】第八篇：可解释AI在推荐系统中的实践与价值

2501_91845348的博客

05-11

950

【AI】mcp server本质就是一个接口服务么

最新发布

2301_76933862的博客

05-12

747

以下为元宝的回答：你的理解非常准确！本质上是一个接口服务，但其设计目标、交互逻辑和使用场景与传统后端接口存在显著差异。

YOLO目标检测算法评估标准

jdjhcn的博客

05-10

929

不同类型的模型，评估指标各有侧重。分类模型中，准确率反映预测正确的整体比例；精确率关注预测正例中实际正例的占比；召回率衡量实际正例被正确预测的程度；F1 值综合精确率与召回率，适合样本不均衡场景。回归模型里，均方误差计算预测值与真实值误差平方的均值，能体现平均差异；平均绝对误差以误差绝对值平均，对异常值敏感度低；聚类模型中，轮廓系数综合凝聚度和分离度，值近 1 代表聚类佳。那么我们今天学习的YOLO目标检测模型使用什么指标评估模型的效果。

绝缘子缺陷检测数据集VOC+YOLO格式1566张3类别

FL1623863129的博客

05-12

112

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["aging","defect","dirty"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：1566。标注数量(txt文件个数)：1566。标注规则：对类别进行画矩形框。

AI日报 · 2025年5月10日｜OpenAI“Stargate”超级数据中心项目掀起美国各州争夺战

He_r_o的博客

05-10

715

OpenAI 与 Oracle、SoftBank 合作推进的“Stargate”项目（首期投资 1000 亿美元，四年内总投资 5000 亿美元）已收到超过 250 份选址提案，20 余州政府、经济发展机构与土地所有者主动递交用地及税收优惠方案，以期承接巨型 AI 数据中心并获得长期电力与就业红利。

深度解析语义分割评估指标：从基础到创新实践

Loving_enjoy的博客

05-08

465

现象 | 可能原因 | 解决方案 || 场景描述 | mIoU | BW-IoU | TC-Score || 边界模糊（医疗CT） | 0.72 | **0.81** | 0.68 || 小目标密集（卫星图） | 0.58 | **0.66** | 0.61 || 快速运动（自动驾驶） | 0.65 | 0.63 | **0.79** |

目标检测yolo实战应用案例100讲-基于yolov5的目标检测与6d位姿估计算法研究

12-25

yolo（You Only Look Once）是一种目标检测算法，它能够实现实时的目标检测和定位，被广泛应用于计算机视觉领域。基于yolov5的目标检测与6d位姿估计算法研究案例是一个通过yolov5算法实现目标检测并结合6d位姿估计的实战应用案例。该案例通过讲解yolov5算法原理和实现步骤，结合实际场景中的目标检测与位姿估计需求，在各种现实场景中完成不同的目标检测任务，并实现对目标位姿的估计。通过该案例的学习，可以掌握基于yolov5的目标检测算法在实际应用中的具体实现方法，理解目标检测与位姿估计的原理与技术，并掌握如何将两者结合实现复杂场景下的目标识别与位姿估计任务。同时，该案例也将帮助学习者深入了解yolov5算法的细节，并通过实战案例的方式提升学习者的实际操作能力和解决问题的能力。此外，通过100个实战案例的讲解，学习者将有机会接触到不同领域的目标检测与位姿估计应用场景，包括工业自动化、智能交通、智能制造等多个领域，从而深刻理解yolov5算法与6d位姿估计技术在实际生产生活中的应用价值，并且打下坚实的技术基础，为未来的发展做好准备。这些案例的学习将帮助学习者从理论到实践，全面提升专业能力，为将来从事相关领域的工作做好充分准备。

目标检测YOLO实战应用案例100讲-基于毫米波雷达的多目标检测 （续）

3.2 改进的CFAR目标检测算法

目标检测YOLO实战应用案例100讲-基于毫米波雷达的多目标检测（续）