基于多尺度区域卷积神经网络小交通标志识别算法

摘要：

在实际交通环境中,小交通标志目标识别呈现多尺度分布易受复杂环境的影响,造成识别精度低.针对这一情况,提出一种多尺度区域卷积神经网络(MR?CNN)检测算法.在检测阶段,MR?CNN采用多尺度反卷积运算对较深卷积层的特征进行上采样,并将其与浅层的特征连接起来,构建融合后的特征图;在分类阶段,利用多尺度的上下文区域给目标对象提供周围建议信息,并为全连接层构造融合特征,其中区域建议网络(RPN)内融合的特征图主要用于提高小交通标志的图像分辨率和语义信息.最后,在国内常见的数据集Tsinghua Tencent 100K上测试了MR?CNN架构.实验结果表明,提出的小交通标志目标检测算法相比于传统方法,在检测精度和召回率方面更加优越,具有实际应用价值.

关键词：小交通标志识别;卷积神经网络;检测算法;特征采样;深度学习;多尺度特征融合

所属期刊栏目：44

分类号：TN911.73-34

资助基金：国家自然科学基金项目51275158

在线出版日期：2021-08-10（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：59-64