YOLOSCM: 基于改进YOLO算法的车辆检测模型详解
论文地址:https://arxiv.org/pdf/2501.13343
一、论文概述
本文提出了一种针对城市交通场景的改进YOLO算法——YOLOSCM（You Only Look Once with Segmentation Clustering Module）。该算法主要解决了三大挑战：大尺寸图像处理、小目标检测困难、车辆分布不均导致的资源浪费。通过引入分割聚类模块（SCM）和分阶段训练策略，显著提升了检测精度与效率。
论文结构解析
| 章节 | 核心内容 | 关键技术 |
|---|---|---|
| 引言 | 城市交通检测难点分析 | 数据分布不均、小目标特征缺失 |
| 方法论 | SCM模块设计、分阶段训练策略 | 自适应聚类、特征金字塔优化 |
| 实验 | VisDrone2019数据集验证 | AP/AP50/AP75指标对比 |
| 结论 | 方法优势总结 | 精度-速度平衡 |
二、创新点深度解析
1. 分割聚类模块（SCM）
