10.16208/j.issn1000-7024.2022.01.028
基于多任务级联卷积神经网络的交通标志检测
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.
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
43
TP183(自动化基础理论)
2022-02-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
210-216