基于多任务级联卷积神经网络的交通标志检测

摘要：

为解决复杂驾驶环境中小目标交通标志的高精度检测问题,基于Cascade R-CNN级联模型提出一种多任务级联模型GA-CMF R-CNN(guided anchoring-cascade mask flow R-CNN).采用ResneXt101(32×4d)-FPN作为特征提取网络,确保特征图的语义信息和分辨率信息;采用GA-RPN作为区域生成网络,提高网络特征表达能力;模型融合Mask R-CNN的mask分支,在级联的mask分支间添加信息流,通过对先验框中的目标进行语义分割,提高检测精度.在公开交通标志检测数据集上的测试结果表明,该模型能有效提高复杂环境下小目标交通标志的检测和识别精度.

关键词：交通标志检测;多任务级联模型;特征提取网络;区域生成网络;mask分支

所属期刊栏目：43

分类号：TP183(自动化基础理论)

在线出版日期：2022-02-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：210-216