基于新的神经网络模型（YOLOv5s-SE），以 DIoU 替换 IoU，嵌入 SE 注意力模块和使用相似三角形原理的距离估计方法，提出了一个基于距离估计的安全警告系统（DESWS）。此外，还提出了一种基于非参数检测的预测距离的安全建议方法，通过模拟实验证实了平均准确率提高了 5.5％，并实现了基于估计距离信息的安全建议目标。

Dec, 2023

通过监测车辆速度来实现交通安全，本研究集中在对象识别与车辆速度估计的监督学习应用，针对孟加拉国特定的交通条件和安全问题，提出了一种高效可行的解决方案，这项工作对该领域做出了显著贡献。

Jun, 2024

本文提出一个新的综合数据集，重点集中在超车操作上，同时回顾了自主驾驶技术的现状以及现有数据集的局限性并提出了一组新的特征集。

May, 2023

我们提出了一种全景驾驶感知网络（YOLOP），它可以同时执行交通物体检测、可驾驶区域分割和车道检测三个任务，并在嵌入式设备 Jetson TX2 上实现了实时性的高精度表现。

Aug, 2021

本文提出一种新的端到端解决方案，通过识别驾驶车辆在每个方向上最近的障碍物，用于计算最近障碍物的距离，并将其合并到统一的端到端架构中，实现联合物体检测、路缘检测和安全可驾驶区域检测，最终通过相机为基础系统和 3D 对象检测来在停车和行驶模式下实现这些目标的潜力。

May, 2018

本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法，该算法的宽度为 0.5，而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度，进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时，引入坐标注意力机制来抑制环境干扰。该算法的实验表明，相较于原有算法，检测速度提高 27FPS，能够有效降低计算复杂度和参数数量，且在多项指标上表现更好，可用于智能交通系统。

Apr, 2023

YOLO-BEV 是一种高效的框架，通过特殊的周围摄像机设置生成车辆环境的 2D 鸟瞰图，利用空间表示提供有效处理，在实时自动驾驶系统中具有潜在的快速部署和改变未来视角的潜力。

Oct, 2023

这项研究探讨了单阶段和两阶段的 2D 目标检测算法，例如 You Only Look Once (YOLO) 和 Real-Time DEtection TRansformer (RT-DETR) 算法在奥地利道路的自动化目标检测中的应用，以提高道路安全性。该研究利用奥地利道路上的图像和视频构建了选择性数据集，涵盖了城市、农村和高山环境，并针对奥地利道路的独特挑战进行了定制化的目标检测方法。

Dec, 2023

此综述系统地考察了 You Only Look Once（YOLO）目标检测算法从 YOLOv1 到最新发布的 YOLOv10 的发展进程。通过逆向时间顺序分析，研究探讨了 YOLO 算法带来的进步，从 YOLOv10 开始，逐步分析了 YOLOv9、YOLOv8 和后续版本在提高实时目标检测的速度、准确性和计算效率方面的贡献。该研究强调了 YOLO 在五个关键应用领域（汽车安全、医疗保健、工业制造、监视和农业）的革命性影响。通过详细描述每个版本的技术进步，本综述不仅记录了 YOLO 的演变，还讨论了早期版本中观察到的挑战和限制。这种演进标志着将 YOLO 与多模态、上下文感知和通用人工智能（AGI）系统相结合的路径，为下一个 YOLO 十年提供了重要的发展影响，对于 AI 驱动应用的未来发展具有重要意义。

Jun, 2024

本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

Aug, 2022