论文摘要
目前,在智能交通领域使用深度学习方法进行车辆目标检测已成为研究热点。针对传统机器学习方法的性能易受光照、角度、图像质量等外界因素影响,检测步骤繁琐等问题,通过对当下经典的一阶目标检测模型和二阶目标检测模型进行分析,提出了一种基于改进的一阶目标检测模型RetinaNet的车辆目标检测方法,使用深度残差网络自主获取图像特征,融合MobileNet网络结构进行模型加速,把复杂交通场景下的目标检测问题转化为车辆类型的三分类问题,利用KITTI数据集进行训练,并使用实际场景中的图像进行测试。实验结果表明,改进的RetinaNet模型在保证检测时间的情况下,相比原RetinaNet模型MAP值提高了2.2个百分点。
论文目录
文章来源
类型: 期刊论文
作者: 宋欢欢,惠飞,景首才,郭兰英,马峻岩
关键词: 深度学习,交通场景,车辆检测,深度残差网络
来源: 计算机工程与应用 2019年13期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 公路与水路运输,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: 国家重点研发计划(No.2017YFC0804800),国家自然科学基金(No.61603058),中央高校基本科研业务费专项资金(No.300102328108)
分类号: U495;TP391.41
页码: 225-230
总页数: 6
文件大小: 2148K
下载量: 1011