一种用于驾驶场景下手机检测的端到端的神经网络

TP181%TP391.41; 小目标物体实时检测一直是图像处理领域中的难点.本文基于深度学习的目标检测算法,提出了一种端到端的神经网络,用于复杂驾驶场景下的手机小目标检测.首先,通过改进YOLOv4算法,设计了一个端到端的小目标检测网络(OMPDNet)来提取图片特征;其次,基于K-means算法设计了一个聚类中心更加贴切数据样本分布的聚类算法K-means-Precise,用以生成适应于小目标数据的先验框(anchor),从而提升网络模型的效率;最后,采用监督与弱监督方式构建了自己的数据集,并在数据集中加入负样本用于训练.在复杂的驾驶场景实验中,本文提出的OMPDNet算法不仅可以有效地完...

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 48; no. 4; pp. 68 - 77
Main Authors 戴腾, 张珂, 尹东
Format Journal Article
LanguageChinese
Published 中国科学技术大学信息科学技术学院,安徽 合肥 230027 15.04.2021
中国科学院电磁空间信息重点实验室,安徽 合肥 230027
Subjects
监督与弱监督
神经网络
聚类算法
目标检测
Online AccessGet full text
ISSN1003-501X
DOI10.12086/oee.2021.200325

Cover

More Information
Summary:TP181%TP391.41; 小目标物体实时检测一直是图像处理领域中的难点.本文基于深度学习的目标检测算法,提出了一种端到端的神经网络,用于复杂驾驶场景下的手机小目标检测.首先,通过改进YOLOv4算法,设计了一个端到端的小目标检测网络(OMPDNet)来提取图片特征;其次,基于K-means算法设计了一个聚类中心更加贴切数据样本分布的聚类算法K-means-Precise,用以生成适应于小目标数据的先验框(anchor),从而提升网络模型的效率;最后,采用监督与弱监督方式构建了自己的数据集,并在数据集中加入负样本用于训练.在复杂的驾驶场景实验中,本文提出的OMPDNet算法不仅可以有效地完成驾驶员行车时使用手机的检测任务,而且对小目标检测在准确率和实时性上较当今流行算法都有一定的优势.
ISSN:1003-501X
DOI:10.12086/oee.2021.200325