10.16337/j.1004-9037.2023.01.014
融合深浅特征和动态选择机制的行人检测研究
针对无人驾驶场景下行人多尺度、小尺度造成漏检率升高,检测精度下降的问题,本文提出一种融合深浅层特征和级联动态选择机制的行人检测方法.首先,在YOLO v3-tiny的基础上基于密集连接的卷积神经网络改进特征提取部分,融合行人的深层特征和浅层特征加强网络对行人的识别能力;其次,在改进的主干网络上级联具有动态选择机制的注意力模块,使检测网络更加适应动态的行人尺度变化;最后,本文选择BDD 100K数据集和Caltech加州理工学院行人数据集进行实验,在保证实时性的前提下(25 ms/张),本文模型在BDD 100K数据集行人漏检率降低11.4%,平均检测精度提高11.7%,在Caltech行人漏检率降低10.1%,平均检测精度提高6.7%,适用于无人驾驶行人检测领域.
无人驾驶、小尺度、行人检测、密集连接、动态选择机制
38
TP391(计算技术、计算机技术)
国家自然科学基金;云南省中青年学术技术带头人后备人才基金;云南省万人计划;云南省重大科技专项基金
2023-04-07(万方平台首次上网日期,不代表论文的发表时间)
共12页
162-173