DCM3-YOLOv4：一种实时多目标检测框架

燕山大学团队提出改进YOLOv4模型，提升复杂交通场景下的检测性能

燕山大学电动智能车辆与车路协同团队提出了一种新型实时多目标检测框架——DCM3-YOLOv4，旨在解决复杂交通环境下目标检测精度与速度难以兼顾的问题。该模型在YOLOv4基础上引入深度可分离卷积（Depthwise Convolution）与多尺度特征融合机制，显著提升了小目标和遮挡目标的识别能力。

研究通过优化网络结构，在保证推理速度的同时增强了特征提取效率，适用于自动驾驶、智能监控等对实时性要求较高的应用场景。实验结果表明，DCM3-YOLOv4在多个公开数据集上均实现了优于原始YOLOv4的检测精度与计算效率平衡。

该成果发表于国际期刊《Automotive Innovation》，作者为Guo B., Wang H., Jin L.等，通讯作者为燕山大学李胜 Jin（jinls@ysu.edu.cn）。论文引用信息：Guo, B., Wang, H., Jin, L. et al.: DCM3-YOLOv4: A Real-Time Multi-Object Detection Framework. Automot. Innov. 7, 283–299 (2024). https://doi.org/10.1007/s42154-023-00258-9

关于《Automotive Innovation》

《Automotive Innovation》是由国家新闻出版署批准创办的中国汽车行业首本英文科技期刊，由中国汽车工程学会（China SAE）主办，致力于推动中国汽车技术国际化进程。期刊聚焦智能网联汽车、新能源汽车及未来出行技术等前沿领域，已入选EI、ESCI、Scopus数据库，并被列为中科院工程技术一区期刊，2022年影响因子达6.1。

期刊与Springer Nature合作出版，实行国际同行评审制度，编委会汇聚来自全球15个国家和地区的知名专家。每季度发行一期，读者覆盖72个国家和地区，单篇最高下载量超3.2万次。创刊联合主编为清华大学李骏院士和赵福全教授，执行副主编为吉林大学章新杰教授。

投稿须知

• 稿件须为未公开发表的原创研究成果，严禁一稿多投；
• 论文需以英文撰写，建议篇幅约5000词；
• 投稿系统及更多信息请访问官网：https://www.springer.com/42154

联系方式
联系人：李冬
电话：86-10-50923972
邮箱：jai-editor@sae-china.org