自动驾驶场景下小且密集的交通标志检测
在自动驾驶场景中,交通标志的检测和识别对行车周围环境的理解至关重要.行车过程中拍摄的图片中存在许多较小的交通标志,它们很难被现有的物体检测方法检测到.为了能够精确地检测到这部分小的交通标志,我们提出了用浅层VGG16网络作为物体检测框架R-FCN的主体网络,并改进VGG16网络,主要有两个改进点:1)减小特征图缩放倍数,去掉VGG16网络卷积conv4_3后面的特征图,使用RPN网络在浅层卷积conv4_3上提取候选框;2)特征拼层,将尺度相同的卷积conv4_1、conv4_2、conv4_3层的特征拼接起来形成组合特征(aggregated feature).改进后的物体检测框架能够检测到更多的小物体,在驭势科技提供的交通标志数据集上取得了很好的性能,检测的准确率mAP达到了65%.
交通标志、目标检测、深度学习、组合特征、卷积神经网络、特征图、候选框、自动驾驶
13
TP183(自动化基础理论)
国家自然科学基金项目61472276
2018-06-11(万方平台首次上网日期,不代表论文的发表时间)
共7页
366-372