基于Darknet23和特征融合的交通標志檢測方法
所屬分類：技術論文
上傳者：aetmagazine
文檔大?。?span>4976 K
標簽： 交通標志檢測 雙向特征金字塔 Darknet23網(wǎng)絡
所需積分：0分積分不夠怎么辦？
文檔介紹：道路交通標志檢測是智能交通的重要環(huán)節(jié)之一，針對交通標志檢測存在背景復雜、目標較小、檢測速度慢等問題，選取工業(yè)界青睞的YOLOv3模型提出一種改進的檢測方法。利用雙向特征金字塔結構實現(xiàn)圖像低、中、高層特征語意信息的雙向融合，提升低層預測目標的分類和高層預測目標的定位能力；將原模型的主干特征提取網(wǎng)絡進行改進，提出Darknet23網(wǎng)絡，以提高網(wǎng)絡的提取能力和減少計算量；根據(jù)目標形狀的特點，使用K-means聚類算法得到用于訓練合適的錨點框，并在邊框回歸中引入靈活性更強的L_(α-CIOU)損失函數(shù)，使網(wǎng)絡朝著預測框與真實框重疊度較高的方向去優(yōu)化。實驗結果表明，該方法在CCTSDB數(shù)據(jù)集上mAP@0.75達到86.10%、mAP@0.5：0.05：0.95達到70.017%，相比原網(wǎng)絡分別提升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等主流的檢測網(wǎng)絡。
現(xiàn)在下載
VIP會員，AET專家下載不扣分；重復下載不扣分，本人上傳資源不扣分。