基于Cascade R-CNN的车辆目标检测方法

论文摘要

本文针对实际情况中行驶车辆检测时间较长并且识别精度低的问题,提出基于Cascade R-CNN（Cascade Regions with CNN features）车辆目标检测算法,该算法在数据集中端对端的训练表现的不错,并且在BIT-Vehicle数据集上的检测精度AP（Average Precision）达到了95.2%,图像平均单帧检测时间达到0.18s,基本满足了车辆实时检测的需求。研究对比了两种方法在BIT-Vehicle数据集中的车辆检测能力,该方法超越了Faster R-CNN的检测效果。

论文目录

• 0 引言
• 1 Cascade R-CNN车辆检测系统框架
•   1.1 Cascade R-CNN车辆检测模型
•   1.2 模型的预训练
•   1.3 车辆检测模型
•   1.4 级联边框回归
•   1.5 级联检测
• 2 实验结果分析
• 3 结束语

文章来源

类型: 期刊论文

作者: 周刚

关键词: 区域提议网络,级联回归,车辆检测

来源: 内燃机与配件 2019年20期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 公路与水路运输,计算机软件及计算机应用

单位: 重庆交通大学机电与车辆工程学院

分类号: TP391.41;U495

DOI: 10.19475/j.cnki.issn1674-957x.2019.20.076

页码: 146-148

总页数: 3

文件大小: 242K

下载量: 169