[1] [1] 1孙敏， 李免， 赵玉舟， 等. 基于实时交通状况和自适应像素分割的运动车辆检测［J］. 液晶与显示， 2021， 36（10）： 1454-1462. doi: 10.37188/CJLCD.2020-0316SUNM， LIM， ZHAOY ZH， et al. Vehicle detection based on real-time traffic condition and adaptive pixel segmentation［J］. Chinese Journal of Liquid Crystals and Displays， 2021， 36（10）： 1454-1462.（in Chinese）. doi: 10.37188/CJLCD.2020-0316

[2] [2] 2张浩， 杨坚华， 花海洋. 基于FVOIRGAN-Detection的车辆检测［J］. 光学 精密工程， 2022， 30（12）： 1478-1486. doi: 10.37188/OPE.20223012.1478ZHANGH， YANGJ H， HUAH Y. Vehicle detection based on FVOIRGAN-Detection［J］. Opt. Precision Eng.， 2022， 30（12）： 1478-1486.（in Chinese）. doi: 10.37188/OPE.20223012.1478

[3] [3] 3杨慧. 基于HOG和Haar-like融合特征的车辆检测［D］. 南京： 南京邮电大学， 2013.YANGH. Vehicle Detection Based on HOG and Haar-Like Features［D］. Nanjing： Nanjing University of Posts and Telecommunications， 2013. （in Chinese）

[4] [4] 4李星， 郭晓松， 郭君斌. 基于HOG特征和SVM的前向车辆识别方法［J］. 计算机科学， 2013， 40（S2）： 329-332. doi: 10.3969/j.issn.1002-137X.2013.z2.082LIX， GUOX S， GUOJ B. HOG-feature and SVM based method for forward vehicle recognition［J］. Computer Science， 2013， 40（S2）： 329-332.（in Chinese）. doi: 10.3969/j.issn.1002-137X.2013.z2.082

[5] [5] 5余永维， 韩鑫， 杜柳青. 基于Inception-SSD算法的零件识别［J］. 光学 精密工程， 2020， 28（8）： 1799-1809.YUY W， HANX， DUL Q. Target part recognition based Inception-SSD algorithm［J］. Opt. Precision Eng.， 2020， 28（8）： 1799-1809.（in Chinese）

[6] [6] 6王宸， 张秀峰， 刘超， 等. 改进YOLOv3的轮毂焊缝缺陷检测［J］. 光学 精密工程， 2021， 29（8）： 1942-1954. doi: 10.37188/OPE.20212908.1942WANGCH， ZHANGX F， LIUCH， et al. Detection method of wheel hub weld defects based on the improved YOLOv3［J］. Opt. Precision Eng.， 2021， 29（8）： 1942-1954.（in Chinese）. doi: 10.37188/OPE.20212908.1942

[7] [7] 7李经宇， 杨静， 孔斌， 等. 基于注意力机制的多尺度车辆行人检测算法［J］. 光学 精密工程， 2021， 29（6）： 1448-1458. doi: 10.37188/OPE.20212906.1448LIJ Y， YANGJ， KONGB， et al. Multi-scale vehicle and pedestrian detection algorithm based on attention mechanism［J］. Opt. Precision Eng.， 2021， 29（6）： 1448-1458.（in Chinese）. doi: 10.37188/OPE.20212906.1448

[8] [8] 8秦鸿睿. 基于改进EfficientDet的车辆检测算法研究［D］. 合肥： 安徽建筑大学， 2022.QINH R. Research on Vehicle Detection Algorithm Based on Improved EfficientDet［D］. Hefei： Anhui Jianzhu University， 2022. （in Chinese）

[9] [9] 9张洋. 改进的YOLOv3-tiny在城市交叉路口车辆检测中的应用［D］. 重庆： 重庆师范大学， 2020.ZHANGY. Application of Improved YOLOv3-tiny in Vehicle Detection at Urban Intersections［D］. Chongqing： Chongqing Normal University， 2020. （in Chinese）

[10] [10] 10张云强. 基于YOLOv4-tiny的车辆检测与测距算法研究［D］. 哈尔滨： 哈尔滨理工大学， 2022.ZHANGY Q. Resarch on Detection and Distance Measurement Algorithm of Vehicles Based on YOLOv4-tiny［D］. Harbin： Harbin University of Science and Technology， 2022. （in Chinese）

[11] [11] 11赵璐璐， 王学营， 张翼， 等. 基于YOLOv5s融合SENet的车辆目标检测技术研究［J］. 图学学报， 2022， 43（5）： 776-782.ZHAOL L， WANGX Y， ZHANGY， et al. Vehicle target detection based on YOLOv5s fusion SENet［J］. Journal of Graphics， 2022， 43（5）： 776-782.（in Chinese）

[12] REDMON J, DIVVALA S, GIRSHICK R et al. You Only Look Once： Unified， Real-Time Object Detection[C], 779-788(2016).

[13] REDMON J, FARHADI A. YOLO9000： Better， Faster， Stronger[C], 6517-6525(2017).

[14] REDMON J, FARHADI A. YOLOv3： an incremental improvement[webpage]. arXiv, 1804-02767(2018). https：//arxiv.org/abs/1804.02767

[15] BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection[webpage]. arXiv, 2004-10934(2020). https：//arxiv.org/abs/2004.10934

[16] LIU S, QI L, QIN H F et al. Path Aggregation Network for Instance Segmentation[C], 8759-8768(2018).

[17] WANG C Y, MARK LIAO H Y, WU Y H et al. CSPNet： a New Backbone That Can Enhance Learning Capability of CNN[C], 1571-1580(2020).

[18] HE K M, ZHANG X Y, REN S Q et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37, 1904-1916(2015).

[19] TAN M X, LE Q V. EfficientNet： rethinking model scaling for convolutional neural networks[webpage]. arXiv, 1905-11946(2019). https：//arxiv.org/abs/1905.11946

[20] TAN M X, LE Q V. EfficientNetV2： smaller models and faster training[webpage]. arXiv, 2104-00298(2021). https：//arxiv.org/abs/2104.00298

[21] VASWANI A, SHAZEER N, PARMAR N et al. Attention is All You Need[C], 6000-6010(9).

[22] DOSOVITSKIY A, BEYER L, KOLESNIKOV A et al. An image is worth[webpage]. arXiv, 2010-11929(2020). https：//arxiv.org/abs/2010.11929

[23] GUO M H, LU C Z, LIU Z N et al. Visual attention network[webpage]. arXiv, 2202-09741(2022). https：//arxiv.org/abs/2202.09741

[24] ZHANG H, WU C R, ZHANG Z Y et al. ResNeSt： split-attention networks[webpage]. arXiv, 2004-08955(2020). https：//arxiv.org/abs/2004.08955

[25] HU J, SHEN L, SUN G. Squeeze and Excitation Networks[C], 7132-7141(2018).

[26] LI D, YAO A B, CHEN Q F. PSConv： squeezing feature pyramid into one compact poly-scale convolutional layer[J]. Computer Vision, 615-632(2020).

[27] DUTA I C, LIU L, ZHU F et al. Pyramidal convolution： rethinking convolutional neural networks for visual recognition[webpage]. arXiv, 2006-11538(2020). https：//arxiv.org/abs/2006.11538

[28] GAO S H, CHENG M M, ZHAO K et al. Res2Net： a new multi-scale backbone architecture[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43, 652-662(2021).

[29] LIN T Y, GOYAL P, GIRSHICK R et al. Focal Loss for Dense Object Detection[C], 2999-3007(2017).

[30] LOSHCHILOV I, HUTTER F. SGDR： stochastic gradient descent with warm restarts[webpage]. arXiv, 1608-03983(2016). https：//arxiv.org/abs/1608.03983

[31] HE K M, ZHANG X Y, REN S Q et al. Deep Residual Learning for Image Recognition[C], 770-778(2016).

[32] TOLSTIKHIN I, HOULSBY N, KOLESNIKOV A et al. MLP-mixer： an all-MLP architecture for vision[webpage]. arXiv, 2105-01601(2021). https：//arxiv.org/abs/2105.01601