改进Mask R-CNN的交通场景多目标快速检测与分割

摘要：

针对智能驾驶中出现的交通场景多目标检测与分割效率低、鲁棒性差等问题,提出一种改进的Mask R-CNN交通场景多目标快速检测与分割方法.首先采用轻量级MobileNet作为骨干网络,有效减少网络参数并压缩模型体积,提升后续嵌入式端的算法移植能力,其次通过优化FPN与骨干网络卷积结构,保证高底层之间特征信息的完整传递,通过调整超参数得到交通场景多目标检测与分割改进网络模型.设计不同交通场景下的对比实验,改进网络能够准确实现多目标的检测与分割,平均检测精度可达85.2％.在ApolloScape和NuScence数据集上进行迁移实验,改进网络展示出良好的泛化能力.本文所提出的改进骨干网络与网络结构优化,能够适应多种复杂交通场景,完成交通场景多目标的快速检测与分割,为智能驾驶提供了理论依据与技术方案.

关键词：MobileNet;目标检测;实例分割;深度学习

所属期刊栏目：42

分类号：TP183;TP391.41;TH744(自动化基础理论)

资助基金：国家自然科学基金;广西自然科学基金;广西研究生教育创新计划;广西研究生教育创新计划;广西研究生教育创新计划

在线出版日期：2021-12-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：242-249