基于一种改进的Faster-RCNN的公路中央隔离带绿化识别

研究了一种结合不感兴趣区域的Faster-RCNN改进算法对公路隔离带中绿化的识别。通过将次最深特征层同样进行3×3的卷积并进行L2正则化得到新的特征层,将浅层次特征层与深层次特征层的特征信息进行融合,使得该算法在增强识别精度和准度的同时不增加特征选取框候取层的厚度。同时设置了不感兴趣区域对冗余检测信息进行筛除,以提高检测准确率。经试验验证,改进算法可有效完成检测任务,从而为无人驾驶浇灌车的控制提供支持。

基于深度学习利用特征图加权融合的目标检测方法

为了提高目标检测的准确性,提出了一种基于深度学习利用特征图加权融合实现目标检测的方法。首先,提出将卷积神经网络中的浅层特征图采样后与最深层特征图进行加权融合的思想;其次,根据所提的特征图加权融合思想以及卷积神经网络的具体结构,制定相应的特征图加权融合方案,并由该方案得到新特征图;然后,提出改进的RPN网络,并将新特征图输入到改进的RPN网络得到区域建议;最后,将新特征图和区域建议输入到后续网络层完成目标检测。实验结果表明所提方法取得了更高的目标检测精度以及更好的目标检测效果。