基于改进R?FCN的交通标志检测

TP391; 为在交通标志检测过程中同时满足精度和速度的需求,建立一种改进的基于区域全卷积网络(R-FCN)的交通标志检测模型.通过K-means聚类算法对数据集进行分析,选择合适的锚点框.对特征提取网络ResNet101进行结构简化,只使用前25层来提取特征,以缩短检测时间.在模型中引入可变形卷积和可变形位置敏感RoI池化层,以提高模型对交通标志的感应能力.模型训练过程中使用在线困难样本挖掘策略从而减少简单样本数量.在交通标志检测数据集GTSDB上的实验结果表明,该模型对交通标志位置信息较敏感,AP50和AP75指标分别达到97.8％和94.7％,检测时间缩至48 ms,检测精度与速度优于F...

Full description

Saved in:
Bibliographic Details
Published in计算机工程 Vol. 47; no. 12; pp. 285 - 298
Main Authors 喻清挺, 喻维超, 喻国平
Format Journal Article
LanguageChinese
Published 南昌大学 信息工程学院,南昌 330031%国家电网南昌供电公司,南昌 330077 2021
Subjects
交通标志;区域全卷积网络;ResNet101网络;可变形卷积;可变形位置敏感RoI池化
Online AccessGet full text
ISSN1000-3428
DOI10.19678/j.issn.1000-3428.0060093

Cover

More Information
Summary:TP391; 为在交通标志检测过程中同时满足精度和速度的需求,建立一种改进的基于区域全卷积网络(R-FCN)的交通标志检测模型.通过K-means聚类算法对数据集进行分析,选择合适的锚点框.对特征提取网络ResNet101进行结构简化,只使用前25层来提取特征,以缩短检测时间.在模型中引入可变形卷积和可变形位置敏感RoI池化层,以提高模型对交通标志的感应能力.模型训练过程中使用在线困难样本挖掘策略从而减少简单样本数量.在交通标志检测数据集GTSDB上的实验结果表明,该模型对交通标志位置信息较敏感,AP50和AP75指标分别达到97.8％和94.7％,检测时间缩至48 ms,检测精度与速度优于Faster R-CNN、R-FCN等模型.
ISSN:1000-3428
DOI:10.19678/j.issn.1000-3428.0060093