10.3778/j.issn.1002-8331.1901-0055
改进的RetinaNet模型的车辆目标检测
目前,在智能交通领域使用深度学习方法进行车辆目标检测已成为研究热点.针对传统机器学习方法的性能易受光照、角度、图像质量等外界因素影响,检测步骤繁琐等问题,通过对当下经典的一阶目标检测模型和二阶目标检测模型进行分析,提出了一种基于改进的一阶目标检测模型RetinaNet的车辆目标检测方法,使用深度残差网络自主获取图像特征,融合MobileNet网络结构进行模型加速,把复杂交通场景下的目标检测问题转化为车辆类型的三分类问题,利用KITTI数据集进行训练,并使用实际场景中的图像进行测试.实验结果表明,改进的RetinaNet模型在保证检测时间的情况下,相比原RetinaNet模型MAP值提高了2.2个百分点.
深度学习、交通场景、车辆检测、深度残差网络
55
TP391.4(计算技术、计算机技术)
国家重点研发计划2017YFC0804800;国家自然科学基金61603058;中央高校基本科研业务费专项资金300102328108
2019-07-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
225-230