改进SAF-FCOS的雷视融合目标检测算法

TP391.41; 针对雷视特征融合目标检测网络难以有效利用雷达点云信息和图像特征,在恶劣天气环境下,仍然容易出现误检、漏检的问题,提出了一种改进SAF-FCOS雷视融合目标检测网络.对SAF-FCOS的骨干网络结构进行改进,在C3、C4特征层进行雷达特征信息的多尺度融合,使网络模型更充分地利用雷达信息;在检测层前使用改进的LNblock模块——LNblcok_GAM,能够以较低的计算成本提取图像特征的同时提高网络的检测性能;在回归损失方面,使用基于EIOU与GIOU改进的CEIOU替换原网络中的GIOU,提高了网络的检测精度,提升了模型的鲁棒性.在NuScenes数据集上,改进网络的mAP0...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 14; pp. 209 - 218
Main Authors 陈正浩, 邓月明, 谢竞, 何鑫
Format Journal Article
LanguageChinese
Published 湖南华诺星空电子技术股份有限公司,长沙 410221 15.07.2024
湖南师范大学 信息科学与工程学院,长沙 410081%湖南师范大学 信息科学与工程学院,长沙 410081
Subjects
target detection
SAF-FCOS网络
LNblock_GAM
目标检测
multi-scale fusion
SAF-FCOS network
radar-vision fusion
多尺度融合
雷视融合
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2303-0127

Cover

More Information
Summary:TP391.41; 针对雷视特征融合目标检测网络难以有效利用雷达点云信息和图像特征,在恶劣天气环境下,仍然容易出现误检、漏检的问题,提出了一种改进SAF-FCOS雷视融合目标检测网络.对SAF-FCOS的骨干网络结构进行改进,在C3、C4特征层进行雷达特征信息的多尺度融合,使网络模型更充分地利用雷达信息;在检测层前使用改进的LNblock模块——LNblcok_GAM,能够以较低的计算成本提取图像特征的同时提高网络的检测性能;在回归损失方面,使用基于EIOU与GIOU改进的CEIOU替换原网络中的GIOU,提高了网络的检测精度,提升了模型的鲁棒性.在NuScenes数据集上,改进网络的mAP0.5∶0.95达到了 70.7％,AP50达到了 90.5％,比原网络SAF-FCOS分别提高了1.7个百分点和0.9个百分点,漏检、误检的情况得到了有效改善,同时,该改进网络的总体检测效果要优于其他经典的纯视觉目标检测算法.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2303-0127