-
题名基于改进SSD的自然场景小交通标志检测
被引量：2
- 1
-
-
作者
郭烊君
雷景生
-
机构
上海电力大学计算机科学与技术学院
浙江科技学院信息与电子工程学院
-
出处
《计算机应用与软件》
北大核心
2024年第5期153-157,263,共6页
-
基金
国家自然科学基金项目(61972357)。
-
文摘
为提高在复杂的自然交通场景下对小交通标志检测的准确度,改进了SSD模型。在SSD多个检测层加入并行多尺度特征融合,通过结合深、浅特征层的检测优势,改善了SSD模型在小目标检测方面的不足;在SSD模型的多个检测头分别加入注意力机制模块,增强对小交通标志的特征提取效果;加入focal loss损失函数减小背景对整体损失的贡献,防止背景过拟合。实验结果表明,在复杂自然场景下,改进的方法相比原始模型对小交通标志检测的mAP提升了4.9百分点。
-
关键词
SSD模型
小交通标志检测
多尺度特征融合
注意力机制
-
Keywords
SSD model
Small traffic sign detection
Multi-scale feature fusion
Attention mechanism
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名一种Yolov5颈部细化的小交通标志检测算法
被引量：7
- 2
-
-
作者
潘桂霞
赖惠成
王同官
赵艳杰
文晓鹏
-
机构
新疆大学信息科学与工程学院
-
出处
《现代电子技术》
2023年第14期56-62,共7页
-
基金
国家自然科学基金项目(U1903213)。
-
文摘
针对现有交通标志检测算法对小尺寸交通标志特征提取不充分、检测精度低、速度慢等问题,文中提出一种Yolov5颈部细化的小交通标志检测算法。首先,为使网络更关注小交通标志的检测,在主干网络中添加一条浅层特征提取分支,获得浅层特征图,并与具有较强语义信息的深层特征图融合,改善浅层特征图的感受野;其次,在Yolov5颈部网络引入GSConv模块,通过深度可分离卷积与普通卷积信息渗透、网络通道减半压缩的方式提高算法的检测性能;最后,利用完备交并比(CIoU)损失函数加快模型收敛,提高检测速度。实验结果表明,改进后的Yolov5网络模型性能有所上升,在TT100K交通标志数据集上平均精度均值mAP可达83.56%,相较于原始Yolov5基本框架mAP提升2.24%,且检测速度FPS可达40.5 f/s,满足实时性要求。
-
关键词
目标检测
小交通标志
Yolov5
颈部细化算法
特征融合
GSConv模块
-
Keywords
target detection
small traffic sign
Yolov5
neck refinement algorithm
feature fusion
GSConv module
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
-
-
题名基于多尺度区域卷积神经网络小交通标志识别算法
被引量：7
- 3
-
-
作者
谭波
王正家
-
机构
湖北工业大学机械工程学院
现代制造质量工程湖北省重点实验室
-
出处
《现代电子技术》
2021年第15期59-64,共6页
-
基金
国家自然科学基金项目(51275158)。
-
文摘
在实际交通环境中,小交通标志目标识别呈现多尺度分布易受复杂环境的影响,造成识别精度低。针对这一情况,提出一种多尺度区域卷积神经网络(MR⁃CNN)检测算法。在检测阶段,MR⁃CNN采用多尺度反卷积运算对较深卷积层的特征进行上采样,并将其与浅层的特征连接起来,构建融合后的特征图;在分类阶段,利用多尺度的上下文区域给目标对象提供周围建议信息,并为全连接层构造融合特征,其中区域建议网络(RPN)内融合的特征图主要用于提高小交通标志的图像分辨率和语义信息。最后,在国内常见的数据集Tsinghua Tencent 100K上测试了MR⁃CNN架构。实验结果表明,提出的小交通标志目标检测算法相比于传统方法,在检测精度和召回率方面更加优越,具有实际应用价值。
-
关键词
小交通标志识别
卷积神经网络
检测算法
特征采样
深度学习
多尺度特征融合
-
Keywords
small traffic sign recognition
CNN
detection algorithm
feature sampling
deep learning
multi⁃scale feature fusion
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
-
