基于双向融合SSD的目标检测算法

由于无人驾驶目标检测技术中对于小目标检测精度差、检测速度慢,降低了无人驾驶技术的安全性,实时性差。文中提出一种双向融合的SSD目标检测算法。该算法主要从两方面对SSD算法进行改进:使用基于深度可分解卷积的MobileNet代替传统的VGG-16网络作为SSD的主干网络提取特征,减小模型体积,大大地降低了计算量,提高了检测速度。该模型选取特定特征层,每一特征层经过递归执行核心模块和净化模块后的双向特征融合,组成分叉特征金字塔结构,递归地从深层和浅层双向循环语义和空间信息,有助于提高小目标检测精度。采用Tensorflow深度学习框架设置网络进行实验,在PASCAL VOC和COCO数据集上的实验结果表明,该算法在检测精度与检测速度上均有显著的提高,为无人驾驶技术的安全性与实时性提供了更好的保障。

基于特征金字塔SSD的行人检测算法

无人驾驶技术中精准地对行人检测定位一直都是重要的技术板块,由此提出了一种基于特征金字塔SSD的行人检测算法。该算法主要从两方面对SSD算法进行改进:使用基于深度可分解卷积的MobileNet代替传统的VGG-16网络作为SSD的主干网络提取特征,减小模型体积,显著降低了计算量,提高检测速度;在特征层中引入特征金字塔,加入特征融合,使得网络信息更加充分,提高检测精度。在VOC 2007和COCO数据集中的实验表明,该算法与传统SSD算法相比在检测精度和速度上都有明显的提高。