基于CNN的车辆检测中激活函数的研究

视频车辆检测是计算机视觉应用于汽车辅助驾驶系统的主要技术难点之一,卷积神经网络是现在视频车辆检测性能最好的计算机视觉算法,激活函数是卷积神经网络算法的重要模块,影响神经网络的收敛性和精确度。本文主要在模型训练和模型验证两个阶段分析激活函数的影响,讨论的函数包括sigmoid函数、Relu函数、Leaky-Relu函数及提出的一种半饱和ssatu函数,实验是以车辆检测YOLOv2算法为基础对不同激活函数的效果做了比较分析。实验表明:软饱和函数sigmoid和函数ssatu使模型收敛的速度最快,且连续可导非线性sigmoid函数使模型训练中损失值的振荡最小;在模型性能上体现出不抑制特征点的分段函数更适用于一般性的创建卷积神经网络。

基于深度学习特征表达的车辆检测和分析

在基于单目视觉的辅助驾驶中,对车载摄像头拍摄的视频进行车辆检测、识别、分析,可以提取出有效信息来提醒司机或控制车辆的行驶,是机器视觉技术挑战问题。该文利用深度特征表达对车载视频进行车辆检测和分析,首先,针对现有卷积神经网络对超清分辨率车载视频分析效果差的问题,提出随机失活池化降维方法改进设计卷积神经网络适应高分辨率视频;其二,针对检测标识的车辆提取行驶状态信息的问题,该文利用现有卷积神经网络的重新训练分析出车辆的行驶方向:前向(F-direction)行驶车辆和对向(R-direction)行驶车辆。实验证明,该文的方法能够实时、有效地检测车辆和分析状态。