根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法Y...根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法YOLOv3_M。使用ISODATA动态聚类算法对BDD与KITTI混合数据集聚类分析,找出更适合目标的Anchor Box;用MobileNetv3-Large网络代替原始YOLOv3网络中的特征提取网络Darknrt53,在降低主干网络复杂度的同时可以减小模型的参数;在特征融合网络部分加入CBAM注意力机制。实验结果表明,改进后的YOLOv3_M算法在混合数据集上测试的平均精度均值(mean Average Precision,mAP)提升了3.45%,推断速度比YOLOv3算法增加了17.5帧/秒,具有较好的实用性。展开更多
近年来车道线检测逐步向深度学习领域发展,然而基于分割的形状描述对车道线效率低下,同时如YOLO系列检测算法不适用于车道线这种细长、弯曲的物体。针对上述问题,提出一种基于改进行方向的车道线检测方法。选取ResNet作为主干网络,加入...近年来车道线检测逐步向深度学习领域发展,然而基于分割的形状描述对车道线效率低下,同时如YOLO系列检测算法不适用于车道线这种细长、弯曲的物体。针对上述问题,提出一种基于改进行方向的车道线检测方法。选取ResNet作为主干网络,加入了特征金字塔网络(Feature Pyramid Network,FPN)用于提取多尺度特征,并使用特征传递架(Feature Transfer Architecture,FTA)模块进行上下文信息的融合。对于车道线实例区分,将实例检测应用于车道线,通过预测热图来检测车道线实例起始点,并回归相对应的一组卷积参数。对于车道线形状预测,采用行分类方法并进行改进。使用逐行位置选择公式来确定车道线的点集,使用车道线在特征图上与真实位置的偏移量来细化每条车道线的形状,降低了FP值,实现了对车道线的预测。在实验平台上使用Tusimple、CuLane两大基准数据集进行验证,取得了良好的指标与检测效果。展开更多
文摘根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法YOLOv3_M。使用ISODATA动态聚类算法对BDD与KITTI混合数据集聚类分析,找出更适合目标的Anchor Box;用MobileNetv3-Large网络代替原始YOLOv3网络中的特征提取网络Darknrt53,在降低主干网络复杂度的同时可以减小模型的参数;在特征融合网络部分加入CBAM注意力机制。实验结果表明,改进后的YOLOv3_M算法在混合数据集上测试的平均精度均值(mean Average Precision,mAP)提升了3.45%,推断速度比YOLOv3算法增加了17.5帧/秒,具有较好的实用性。
文摘近年来车道线检测逐步向深度学习领域发展,然而基于分割的形状描述对车道线效率低下,同时如YOLO系列检测算法不适用于车道线这种细长、弯曲的物体。针对上述问题,提出一种基于改进行方向的车道线检测方法。选取ResNet作为主干网络,加入了特征金字塔网络(Feature Pyramid Network,FPN)用于提取多尺度特征,并使用特征传递架(Feature Transfer Architecture,FTA)模块进行上下文信息的融合。对于车道线实例区分,将实例检测应用于车道线,通过预测热图来检测车道线实例起始点,并回归相对应的一组卷积参数。对于车道线形状预测,采用行分类方法并进行改进。使用逐行位置选择公式来确定车道线的点集,使用车道线在特征图上与真实位置的偏移量来细化每条车道线的形状,降低了FP值,实现了对车道线的预测。在实验平台上使用Tusimple、CuLane两大基准数据集进行验证,取得了良好的指标与检测效果。