基于改进faster RCNN的木材运输车辆检测

摘要：

针对目前森林资源受到盗砍盗伐威胁,相关木材运输车辆行为隐蔽,进而导致无法准确地在交通视频中被识别的问题,提出了一种基于改进fater区域卷积神经网络(faster RCNN)的木材运输车辆检测方法.首先,采用faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框聚类作为基础改进措施;其次,以广义交并比(GIoU)损失函数替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比.实验结果表明,使用GIoU作为损失函数的faster RCNN相比原算法对木材运输车辆检测的平均精度(AP)上升了7.5％,模型平均精度均值(mAP)上升了4.3％;同时,在大型数据集PASCALVOC上,使用GIoU作为损失函数的faster RCNN的mAP达到73.4％,相比其他算法具有明显优势.

关键词：广义交并比、目标检测、损失函数、金字塔特征网络、faster区域卷积神经网络、车型检测

所属期刊栏目：40

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划项目;湖北省技术创新专项重大项目;国家自然科学基金资助项目

在线出版日期：2020-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：209-214