最新資訊

基于Darknet23和特征融合的交通標(biāo)志檢測(cè)方法

道路交通標(biāo)志檢測(cè)是智能交通的重要環(huán)節(jié)之一，針對(duì)交通標(biāo)志檢測(cè)存在背景復(fù)雜、目標(biāo)較小、檢測(cè)速度慢等問(wèn)題，選取工業(yè)界青睞的YOLOv3模型提出一種改進(jìn)的檢測(cè)方法。利用雙向特征金字塔結(jié)構(gòu)實(shí)現(xiàn)圖像低、中、高層特征語(yǔ)意信息的雙向融合，提升低層預(yù)測(cè)目標(biāo)的分類和高層預(yù)測(cè)目標(biāo)的定位能力；將原模型的主干特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出Darknet23網(wǎng)絡(luò)，以提高網(wǎng)絡(luò)的提取能力和減少計(jì)算量；根據(jù)目標(biāo)形狀的特點(diǎn)，使用K-means聚類算法得到用于訓(xùn)練合適的錨點(diǎn)框，并在邊框回歸中引入靈活性更強(qiáng)的L_(α-CIOU)損失函數(shù)，使網(wǎng)絡(luò)朝著預(yù)測(cè)框與真實(shí)框重疊度較高的方向去優(yōu)化。實(shí)驗(yàn)結(jié)果表明，該方法在CCTSDB數(shù)據(jù)集上mAP@0.75達(dá)到86.10%、mAP@0.5：0.05：0.95達(dá)到70.017%，相比原網(wǎng)絡(luò)分別提升10.17％和5.656％，參數(shù)量減少3 622 091，速度提升8.27 f/s，且優(yōu)于SSD和Faster RCNN等主流的檢測(cè)網(wǎng)絡(luò)。

發(fā)表于：1/13/2023