多级参数融合网络的驾驶场景目标检测方法研究

摘要：

基于深度学习的目标检测方法在智能车载控制器应用时很难同时满足检测精度与速度的要求.因此,提出一种多级参数融合的驾驶场景目标检测方法,实现检测速度和精度的同步提升.首先,设计出一种多级分支结构用于构建模型,同时,为提高模型的推理速度,引入一种多级参数融合的方法,即将多级结构层等效为单一的卷积-批标准化层,在保证模型泛化能力不变的条件下,大幅度减小模型的参数量.其次,为增加模型的检测精度,提出一种SSIoU(Soft scaled intersection of union)边界框损失计算方法以及一种联合半锚框的标签关联算法,提高模型对驾驶场景的适应能力.最后,开展基于DAIR-V2X-V数据集的试验验证,结果表明,所提出的多级参数融合模型,相比于目前先进的YOLO(You only look once)算法,检测精度(Mean average precision,mAP)提高了 9.89％,推理速度(Frames per second,FPS)提高了 51.89％.

关键词：智能汽车、目标检测、参数融合、SSIoU、YOLO算法

所属期刊栏目：60

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;广西科技重大专项;柳州市科技重大专项资助项目

在线出版日期：2024-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：64-75