用于交通标志检测的窗口大小聚类残差SSD模型

论文摘要

SSD通常被认为适合于求解小目标图像检测问题,但在特征表征和检测效率两方面还存在改进空间.提出一种聚类残差SSD模型,一方面将原始SSD模型中的VGG16基础网络替换为更深的ResNet50残差网络,以改善特征表征能力.另一方面采用K-均值聚类算法取代盲目搜索机制,确定SSD中默认窗口的大小,以改善检测效率.针对德国交通标志检测数据集,模型获得了97.1%mAP和每幅图像0.07 s的检测速度.针对中国交通标志数据集,模型获得89.7%mAP和每幅图像0.08 s的检测速度.与原始SSD模型比较,本文所提模型的检测性能得到改善.

论文目录

• 1 模型结构
•   1.1 原始SSD模型
•   1.2 ResNet50残差网络
•   1.3 K-均值聚类确定默认窗口大小
•   1.4 聚类残差SSD模型
• 2 实验数据和性能评价指标
•   2.1 数据集
•     2.1.1 德国交通标志检测数据集（GTSDB）
•     2.1.2 中国交通标志数据集（CTSD）
•   2.2 训练样本扩充
•   2.3 性能评价
• 3 实验结果及分析
•   3.1 预训练与微调
•   3.2 实验过程及结果
•     3.2.1 原始SSD模型的训练
•     3.2.2 聚类残差SSD模型训练
•   3.3 实验分析
•   3.4 算法验证
• 4 总结

文章来源

类型: 期刊论文

作者: 宋青松,王兴莉,张超,陈禹,宋焕生,KHATTAK Asad Jan

关键词: 交通标志检测,深度学习,单拍多盒探测器,均值,聚类

来源: 湖南大学学报(自然科学版) 2019年10期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 汽车工业,计算机软件及计算机应用

单位: 长安大学信息工程学院

基金: 国家自然科学基金资助项目(61201406,61572083),中国博士后科学基金资助项目(2019M653516)~~

分类号: TP391.41;U463.6

DOI: 10.16339/j.cnki.hdxbzkb.2019.10.016

页码: 133-140

总页数: 8

文件大小: 4964K

下载量: 228