《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 測試測量 > 設(shè)計應(yīng)用 > 基于YOLO改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)的車輛檢測方法
基于YOLO改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)的車輛檢測方法
2020年信息技術(shù)與網(wǎng)絡(luò)安全第9期
胡臣辰,,陳賢富
中國科學(xué)技術(shù)大學(xué) 微電子學(xué)院,,安徽 合肥230027
摘要: 針對車輛檢測任務(wù),設(shè)計更高效,、精確的網(wǎng)絡(luò)模型是行業(yè)研究的熱點(diǎn),深層網(wǎng)絡(luò)模型具有比淺層網(wǎng)絡(luò)模型更好的特征提取能力,,但構(gòu)建深層網(wǎng)絡(luò)模型時將導(dǎo)致梯度消失,、模型過擬合等問題,應(yīng)用殘差網(wǎng)絡(luò)結(jié)構(gòu)可以緩解此類問題,?;赮OLO算法,改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu),加深網(wǎng)絡(luò)層數(shù),,設(shè)計了一種含有68個卷積層的卷積神經(jīng)網(wǎng)絡(luò)模型,,同時對輸入圖像進(jìn)行預(yù)處理,保證目標(biāo)在圖像上不變形失真,,最后在自定義的車輛數(shù)據(jù)集上對模型進(jìn)行訓(xùn)練與測試,,并將實(shí)驗結(jié)果與YOLOV3模型進(jìn)行對比,實(shí)驗表明,,本文設(shè)計的模型檢測精準(zhǔn)度(AP)達(dá)90.63%,,較YOLOV3提高了4.6%。
中圖分類號: TP393
文獻(xiàn)標(biāo)識碼: A
DOI: 10.19358/j.issn.2096-5133.2020.09.011
引用格式: 胡臣辰,,陳賢富. 基于YOLO改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)的車輛檢測方法[J].信息技術(shù)與網(wǎng)絡(luò)安全,,2020,39(9):56-60.
Vehicle detection method based on improved residual network structure of based on YOLO
Hu Chenchen,,Chen Xianfu
Institute of Microelectronics,,University of Science and Technology of China,Hefei 230027,,China
Abstract: For vehicle detection task, the design of more efficient and accurate network model is a hot research. Deep network model has better feature extraction capabilities than shallow network model, but will cause the gradient to disappear and the model to overfit and other problems. Application of residual network structure can alleviate such problems. Based on the YOLO algorithm, this paper improves the residual network structure and deepens the number of network layers. A convolutional neural network model with 68 convolutional layers is designed. At the same time, the input image is preprocessed to ensure that the target is not deformed or distorted on the image. Finally, the model is trained and tested on a custom vehicle data set, and the experimental results are compared with the YOLOV3 model. The experiment shows that the model detection accuracy(AP) designed in this paper reaches 90.63%, which is 4.6% higher than YOLOV3.
Key words : object detection,;YOLO;residual network,;deep learning

0 引言

    車輛是目標(biāo)檢測任務(wù)中的重要對象之一,,在自動駕駛、目標(biāo)追蹤等領(lǐng)域有著十分重要的應(yīng)用,。以梯度方向直方圖(Histogram of Oriented Gradient,,HOG)和支持向量機(jī)(Support Vector Machine,SVM)結(jié)合的傳統(tǒng)目標(biāo)檢測算法先計算候選框內(nèi)圖像梯度的方向信息統(tǒng)計值,,再通過正負(fù)樣本訓(xùn)練SVM,,使用傳統(tǒng)方法受限于候選框提取效率、HOG特征尺度魯棒性,,在實(shí)時性以及遮擋目標(biāo)檢測等諸多方面有著明顯缺陷[1],。近年來,基于深度學(xué)習(xí)的目標(biāo)檢測方法以強(qiáng)特征提取能力,、高檢測率取得了驚人的成果,。近年來深度學(xué)習(xí)網(wǎng)絡(luò)在計算機(jī)視覺上因AlexNet在2012年的ImageNet大賽中大放異彩而進(jìn)入飛速發(fā)展。2014年VGGNet在追求深層網(wǎng)絡(luò)的性能時,,發(fā)現(xiàn)增加網(wǎng)絡(luò)的深度會提高性能,,但是與此同時帶來的梯度消失問題不可避免。2015年ResNet網(wǎng)絡(luò)較好地解決了這個問題,,深層殘差網(wǎng)絡(luò)可以減少模型收斂時間,、改善尋優(yōu)過程,,但應(yīng)用尺度大的卷積核的同時增加了網(wǎng)絡(luò)模型的參數(shù)量與計算量,降低了模型的訓(xùn)練與檢測速度[2],。

    計算機(jī)視覺中的目標(biāo)檢測任務(wù)關(guān)注圖像中特定目標(biāo)的位置信息,,現(xiàn)有方法分為two-stage和one-stage兩類。two-stage方法先產(chǎn)生包含目標(biāo)的候選框,,再通過卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)進(jìn)行分類,,常見的方法有RCNN、Fast-RCNN,、Faster-RCNN,。one-stage方法直接使用一個卷積網(wǎng)絡(luò)對給定輸入圖像給出檢測結(jié)果,以YOLO為代表的one-stage目標(biāo)檢測方法在檢測時,,將候選框的生成與目標(biāo)的分類回歸合并成一步,基于YOLO的檢測算法大大提高了檢測速度,,但檢測精度仍有待提高[3],。本文選擇在基于YOLO方法的基礎(chǔ)上改進(jìn)主干網(wǎng)絡(luò)的殘差網(wǎng)絡(luò)結(jié)構(gòu),設(shè)計了一種新的網(wǎng)絡(luò)模型,,經(jīng)實(shí)驗表明提高了檢測準(zhǔn)確率,。




本文詳細(xì)內(nèi)容請下載:http://forexkbc.com/resource/share/2000003099




作者信息:

胡臣辰,陳賢富

(中國科學(xué)技術(shù)大學(xué) 微電子學(xué)院,,安徽 合肥230027)

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。