基于改进Faster-RCNN的无人驾驶目标检测

针对Faster-RCNN主干特征提取网络Resnet50原本的ReLU函数性能仍有提升空间这样的问题。论文探索使用高斯误差线性单元激活函数GELU去提升原网络的性能。高斯误差线性单元激活函数GELU相较于ReLU激活函数,用概率的方法去保留有效信息,而不是ReLU函数那样单纯的对于大于0的信息保留,小于0的信息舍弃。这使得用GELU作为激活函数能更准确反映图像信息,从而提高网络整体的目标检测性能。实验表明,改进后的网络的mAP相较于原网络有了一定的提升,在识别道路信息时有更好的表现,能够更好地应用于无人驾驶技术。