基于深度学习的城市道路交通标志检测方法研究
这是一篇关于深度学习,交通标志检测,SSD,MobileNetV3,多感受野的论文, 主要内容为近年来,随着深度学习在智能交通系统领域的迅猛发展,为道路交通问题带来了更加有效的解决方案。交通标志检测是智能交通系统的一个重要组成部分,可为驾驶人在自动驾驶和辅助驾驶等方面进行预警,从而减少交通事故的发生。在实际的驾驶环境中,自然场景的复杂性和不确定性的问题,决定了交通标志检测的实时性和准确性是研究的重中之重。为解决现有目标检测方法实时性不高,对交通标志检测效果较差,难以应对各种复杂场景的问题。本文以深度学习中目标检测算法SSD作为基础框架,以城市道路交通场景下的交通标志为研究对象,从SSD的基础网络、辅助网络以及感受野等方面进行改进。本文的主要工作内容如下:(1)为了满足城市道路交通场景下交通标志检测实时性的要求,提出了一种基于改进SSD的交通标志检测算法(MV3-SSD),利用基于深度可分离卷积的Mobile Net V3网络替换SSD的基础网络,并采用逆残差结构改进辅助网络,大大减少了网络的参数量;为了更好的使网络适应对交通标志的检测任务,重新设计了默认框的大小、宽高比和数量,得到了适应交通标志检测任务的默认框,提高了算法对交通标志的检测效率。通过数据补充与增强,得到了拥有丰富交通场景的数据集ICCTSDB,并在此数据集上进行训练与测试,实验结果表明,MV3-SSD相较于SSD和Movbile Net-SSD,实现了检测速度与精度之间的高效平衡。(2)为了提高城市道路交通场景下交通标志检测的特征提取能力,提出了一种基于改进多感受野的交通标志检测算法(IR-MV3-SSD),通过改进多感受野模块的RFB和RFB-s两种网络结构,并嵌入到MV3-SSD网络中,减少了多感受野模块的参数量,同时丰富了网络浅层特征层的语义信息,并且增强了网络的特征提取能力;在模型训练阶段,使用余弦型衰减的预热策略,使学习率下降更加平缓和均匀,达到了更好的训练效果。实验结果表明,IR-MV3-SSD在ICCTSDB测试集上的m AP达到了93.16%,检测速度为57帧/秒,相较于SSD、Yolov3和Faster-RCNN拥有更高检测精度的同时仍然具备高实时性,最后通过Raspberry pi 4B做为小型嵌入式硬件平台完成模型部署,实验结果证明了本文所提方法的有效性。
基于改进Faster R-CNN和YOLOX的交通标志检测算法研究
这是一篇关于智能驾驶,交通标志检测,Faster R-CNN,YOLOX,轻量化的论文, 主要内容为随着智能驾驶领域的不断进步,汽车安全的关注点也在向主动安全靠拢,环境感知技术成为亟需攻坚的重要课题。交通标志检测作为智能车环境感知的重点细分领域,科研人员和汽车厂商从未停止对其的研究和探索。论文开展基于改进Faster R-CNN和YOLOX的交通标志检测算法研究,主要工作如下:(1)基于Faster R-CNN算法,将骨干网络VGG16替换为Res Net50,将混合注意力机制融入主干残差结构,利用多尺度滑动窗口改进RPN网络,在不同深度卷积层生成特征图,并进行特征融合。构建交通标志数据集,并利用K-means++算法设计锚框。结果表明,改进后的算法将检测精度m AP从85.99%提高到了94.38%。(2)基于YOLOXs算法,提取主干网络浅层特征,并进行多特征融合。增设浅层特征预测头,组成多预测头检测层,将轻量ECA注意力模块融入到Neck特征增强网络,共同组成改进的M-YOLOXs交通标志检测算法,改进算法提高了2.68%的检测精度。(3)针对CPU硬件环境,对M-YOLOXs算法进行轻量,分别使用Mobile Netv3和Ghost Net两种轻量网络替代主干,并基于深度卷积和逐点卷积,对特征增强网络进一步轻量,构建了LM-YOLOXs-m和LM-YOLOXs-g两种轻量化交通标志检测算法,参数量缩减了44%以上,权重文件轻量到22M以内,并从精度和速度两方面验证轻量算法的有效性。
基于深度学习的交通标志识别方法研究
这是一篇关于交通标志检测,深度学习,YOLO,注意力机制的论文, 主要内容为近年来,在中国经济快速发展,国民收入稳步上升,以及城市交通网络高度发达的有利背景下,城市道路中的机动车数量持续上涨,人们交通出行舒适度大幅度提升,生活质量发生质的飞跃。然而,大量机动车涌入城市道路,也给城市交通安全带来了巨大考验,造成了交通事故、财产损失等一系列社会问题。随着科技的进步,人工智能技术的兴起,智能交通系统的发展有望缓解城市交通压力,降低道路交通事故发生率,减轻人民群众财产损失。交通标志检测作为智能交通系统中的重要组成部分,也受到了越来越多研究人员的关注。真实场景下的交通标志检测,因为受到复杂背景环境,极端天气因素,以及拍摄设备等众多方面的影响,检测精度一直没能达到令人满意的结果。考虑到交通标志检测对速度的要求,以及单阶段目标检测器的泛化效率优势,本文基于YOLO系列算法,使用中国真实道路场景发布的TT100K数据集和CCTSDB数据集作为研究基础,对交通标志检测展开研究,并尝试提高交通标志检测精度,助力智能交通系统的发展。本文的主要工作包括以下几个方面:(1)经过对TT100K数据集的分析发现,该数据集存在严重的样本不平衡问题。本文使用数据增强方法对数据集进行了扩充。(2)本文分析了YOLO V3目标检测算法存在的问题,并融合注意力机制和空洞卷积完成了对YOLO V3模型的改进。改进后的YOLO V3模型检测m AP在TT100K数据集达到了84.33%,相比于原始模型提高了4.42%。在CCTSDB数据集上,检测精度也有明显提升。(3)为了进一步提升检测精度,本文使用YOLO V5目标检测算法展开了对交通标志检测的进一步研究,并融合平衡特征金字塔和GC block完成了对模型的优化。优化后的模型在TT100K数据集上检测精度和召回率都有了大幅度提高,m AP在原始基础上提升了1.9%,达到了89.7%。(4)为了将提出的交通标志检测方法应用于实际场景,本文将优化后的YOLO V5模型实现为一套基于Web的交通标志检测系统。该系统基于B/S架构,用户可以通过本地浏览器,实现对图片和视频中的交通标志实时检测。系统页面简洁,操作方便,人机界面友好。
基于轻量级网络的交通标志检测算法设计与系统实现
这是一篇关于交通标志检测,数据增强,知识蒸馏,模型压缩,硬件部署的论文, 主要内容为自动驾驶是当前具有重要应用价值的研究领域,而交通标志检测与识别是应用在自动驾驶领域的重要研究方向之一。当前随着深度学习的持续发展和技术提升,基于深度学习的交通标志检测与识别算法以优于传统方法的特性,成为交通标志检测与识别领域的首选算法。虽然性能达到较高水平,但是由于模型参数量大、计算存储成本要求高等问题,在移动端部署难以实时检测,因此需要在完成交通标志检测任务的同时,尽可能减少模型的参数量和计算量。本论文对轻量级的交通标志检测算法设计进行了研究,主要贡献如下:(1)对YOLOv3-tiny进行了四点改进,提出了一种轻量级交通标志检测网络。首先,引入轻量级通道注意力模块,加强网络主干对重要信息的提取能力;其次,融合深浅层特征增加一个新的检测尺度,提升网络的检测能力;再次,改进网络特征提取层,加深网络深度,增强网络特征提取能力;最后改进损失函数为CIo U优化定位损失的计算,减少误差。(2)针对交通标志数据集中存在的目标实例占比过小、类别不平衡、标签尺寸差异大等问题,采用多种数据增强方法,包括图像裁剪、Mosaic、多尺度训练等相结合来充分利用训练集的信息,有效提升网络性能。(3)为进一步减少改进后模型的参数量和计算量,使用基于BN层的通道剪枝算法对改进后模型进行剪枝,并针对手动调节剪枝比效率较低的问题,提出了一种基于二分查找策略的剪枝比搜索方法。(4)使用知识蒸馏对剪枝后性能损失较大的模型进行精度恢复,并提出了一种基于多元分支模块的知识蒸馏方法,有效提升剪枝后精度损失较大模型的性能。(5)将最终模型部署到Jetson Xavier NX嵌入式开发板上,采集并建立实际场景交通标志图片数据集并对其进行测试,同时在目标板上搭建了交通视频实时检测的系统,验证了其可行性。本论文针对网络改进、模型压缩和硬件部署等方面进行一系列对比试验,最终得到的算法模型参数量仅为3.16M,计算量为75.89B,在清华腾讯交通标志数据集上检测准确率达到88.94%。并对实际场景进行测试,在目标板上基本实现了实时检测。实验结果表明,本论文提出的模型可以在参数量小、推理速度快的前提下,较好的完成实时交通标志检测与识别任务。
基于深度学习的交通标志识别方法研究
这是一篇关于交通标志检测,深度学习,YOLO,注意力机制的论文, 主要内容为近年来,在中国经济快速发展,国民收入稳步上升,以及城市交通网络高度发达的有利背景下,城市道路中的机动车数量持续上涨,人们交通出行舒适度大幅度提升,生活质量发生质的飞跃。然而,大量机动车涌入城市道路,也给城市交通安全带来了巨大考验,造成了交通事故、财产损失等一系列社会问题。随着科技的进步,人工智能技术的兴起,智能交通系统的发展有望缓解城市交通压力,降低道路交通事故发生率,减轻人民群众财产损失。交通标志检测作为智能交通系统中的重要组成部分,也受到了越来越多研究人员的关注。真实场景下的交通标志检测,因为受到复杂背景环境,极端天气因素,以及拍摄设备等众多方面的影响,检测精度一直没能达到令人满意的结果。考虑到交通标志检测对速度的要求,以及单阶段目标检测器的泛化效率优势,本文基于YOLO系列算法,使用中国真实道路场景发布的TT100K数据集和CCTSDB数据集作为研究基础,对交通标志检测展开研究,并尝试提高交通标志检测精度,助力智能交通系统的发展。本文的主要工作包括以下几个方面:(1)经过对TT100K数据集的分析发现,该数据集存在严重的样本不平衡问题。本文使用数据增强方法对数据集进行了扩充。(2)本文分析了YOLO V3目标检测算法存在的问题,并融合注意力机制和空洞卷积完成了对YOLO V3模型的改进。改进后的YOLO V3模型检测m AP在TT100K数据集达到了84.33%,相比于原始模型提高了4.42%。在CCTSDB数据集上,检测精度也有明显提升。(3)为了进一步提升检测精度,本文使用YOLO V5目标检测算法展开了对交通标志检测的进一步研究,并融合平衡特征金字塔和GC block完成了对模型的优化。优化后的模型在TT100K数据集上检测精度和召回率都有了大幅度提高,m AP在原始基础上提升了1.9%,达到了89.7%。(4)为了将提出的交通标志检测方法应用于实际场景,本文将优化后的YOLO V5模型实现为一套基于Web的交通标志检测系统。该系统基于B/S架构,用户可以通过本地浏览器,实现对图片和视频中的交通标志实时检测。系统页面简洁,操作方便,人机界面友好。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:代码导航 ,原文地址:https://bishedaima.com/lunwen/47806.html