基于深度学习的轻量级目标检测和场景分类算法研究
发布时间：2022-01-24 20:08
随着计算机视觉的发展,基于深度学习的各种技术已集成在高级辅助驾驶系统（ADAS）中。如何从算法和系统层面提升ADAS的性能成为当前研究热点之一。本文以辅助驾驶应用中的轻量级目标检测和场景分类算法作为研究对象,主要研究内容如下:提出一种基于YOLOv3-Tiny改进的轻量级目标检测算法。本文在不损失精度的情况下,实现对目标检测主干网络进行轻量化压缩,主要改进有以下两个方面。第一,改进和压缩YOLOv3-Tiny提取特征的主干网络部分,使用深度可分离卷积以及倒残差的方式减少网络参数和计算量;第二,利用注意力机制对卷积层输出的特征图（Feature map）沿着通道和空间两个维度依次推断出注意力权重,并将注意力权重与原特征图相乘实现对特征的自适应调整进而提升网络的表征能力。针对以上两点改进,本文分别在国际公开通用多目标检测数据集（2007+2012）、国际公开自动驾驶数据库（KITTI）以及自行搭建车载摄像系统并收集的ADAS专用数据库上进行了验证。实验结果证明了本方法的有效性,在实现压缩网络计算量和参数量的情况下,本文改进的新方法与原算法相比在VOC2007Test数据集上的检测性能比当前...
【文章来源】：南京信息工程大学江苏省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
目标检测算法在辅助驾驶中的应用示意图
第一章绪论3基于场景感知结果的基础上(图1.2右上角给出了一个场景分类器感知结果)，对目标检测阈值做出不同于正常情况下的调整，提高目标检测的准确率。图1.2场景理解与ADAS检测可视化图1.2是因汽车逆光行驶产生摄像头成像曝光的场景图像，这种极端场景会对辅助驾驶系统和驾驶员做出预警反应会有不同程度的影响，此外高级辅助驾驶系统在雨雪场景、大雾天气的极端场景与多云天气、高速道路行车场景中进行车速调整、防碰撞预警以及道路区域提取等参数调整也有着很大区别。因此，在汽车高级辅助驾驶系统中利用场景分类实现对道路场景语义理解，这对确保车辆行驶安全有着重要意义。1.3研究现状1.3.1轻量级目标检测研究现状目标检测作为计算机视觉应用研究中的热点和难点之一，主要可以分为基于手工特征和基于深度学习技术的方法。因目标检测在检测过程中容易受物体尺度变化、目标对象被遮挡、光照以及应用场景变化等多种因素的影响。基于手工特征的方法容易受到特征选择的质量的影响，导致应用在实际场景中效果较差的问题。基于深度学习的方法利用卷积神经网络提取更深层次的特征，与基于手工特征的检测方法相比，深度学习的检测方法具有精度高、结构灵活、特征自动提取等优点，受到人们广泛关注。当前各种深度学习的检测算法在各种竞赛任务中取得了优异的性能。从近些年在图像分类竞赛ImageNet[5]上使用的各种卷积神经网络[6]来看，CNN从拥有少量隐藏层的LeNet[7]、AlexNet[8]到深层的GoogLeNet[9]等网络，CNN通过不断改进网络深度及宽度的方式逐渐提升分类效果。但是随着网络深度的增加，这些网络的参数量和计算成本也在显著的增加，往往需要依赖高算力的GPU进行运算。虽然卷积神经网络有稀疏连接、权重共享的优点，使得CNN中的参数相比传统网络
南京信息工程大学硕士学位论文4说这些网络并不能满足任务需求。因此，如何对卷积神经网络模型的参数量及计算量进行压缩，使其能够部署到低功耗、低算力的应用平台具有重要意义。图1.3卷积网精度及参数量对比基于卷积神经网络的目标检测模型在部署应用中受算力及存储能力的制约，导致目标检测算法的研究与应用受到一定的限制。因此，轻量级的目标检测模型的研究与实现变的越来越重要。近几年，卷积神经网络为了进一步提升模型的预测准确率，在设计模型的实验中多数方法是以牺牲参数量和计算量的方式实现。图1.3展示了历届ImageNet竞赛中冠军网络模型的层数以及Top1-accuracy和模型计算量对比。由图1.3能够看出近些年卷积神经网络在ImageNet的竞赛任务中，为了提升模型精度，多数网络通过扩充深度以及网络参数量的方式提升CNN性能，但是卷积神经网络模型深度及参数量的扩充，会导致很多网络模型很难部署到实际的硬件平台中。以ImageNet分类竞赛中使用的卷积神经网络为例，从2012年取得竞赛第一的AlexNet到2014年的冠军GoogLeNet卷积神经网络,网络的层数由最开始的7层逐渐增加到22层。从GoogLeNet卷积神经网络出现以后，以此为基础衍生出一系列的Inception[10]模型，该方法通过利用多组卷积扩宽网络的方式实现参数量和计算量相对较少的网络。Inception的网络结构设计可以维持当前网络深度的前提下实现低参数量计算量的卷积神经网络，并取得了优异的效果。但随着卷积神经网络中残差链接方式的出现，2015年的冠军模型ResNet[11]达到了惊人的
【参考文献】：
期刊论文
[1]基于注意力机制和特征融合的SSD目标检测算法[J]. 高建瓴,孙健,王子牛,韩毓璐,冯娇娇. 软件. 2020(02)
[2]基于深度学习的目标检测技术的研究综述[J]. 罗元,王薄宇,陈旭. 半导体光电. 2020(01)
[3]一种高效的稀疏卷积神经网络加速器的设计与实现[J]. 余成宇,李志远,毛文宇,鲁华祥. 智能系统学报. 2020(02)
[4]结合剪枝与流合并的卷积神经网络加速压缩方法[J]. 谢斌红,钟日新,潘理虎,张英俊. 计算机应用. 2020(03)
[5]深度神经网络模型压缩综述[J]. 李江昀,赵义凯,薛卓尔,蔡铮,李擎. 工程科学学报. 2019(10)
[6]自动驾驶汽车离我们有多远[J]. 辛妍. 新经济导刊. 2016(Z1)
[7]场景图像分类技术综述[J]. 李学龙,史建华,董永生,陶大程. 中国科学:信息科学. 2015(07)
硕士论文
[1]基于标签关联的图像分类方法研究[D]. 陈龙.合肥工业大学 2019
[2]辅助驾驶中基于单幅图像的复杂道路场景分类方法研究[D]. 杨景超.燕山大学 2016
[3]基于机器视觉的自主无人车道路识别研究[D]. 张博峰.西安工业大学 2014
[4]基于分块颜色直方图和HOG特征的粒子滤波跟踪[D]. 陶立超.上海交通大学 2012
本文编号：3607221
【文章来源】：南京信息工程大学江苏省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
目标检测算法在辅助驾驶中的应用示意图
第一章绪论3基于场景感知结果的基础上(图1.2右上角给出了一个场景分类器感知结果)，对目标检测阈值做出不同于正常情况下的调整，提高目标检测的准确率。图1.2场景理解与ADAS检测可视化图1.2是因汽车逆光行驶产生摄像头成像曝光的场景图像，这种极端场景会对辅助驾驶系统和驾驶员做出预警反应会有不同程度的影响，此外高级辅助驾驶系统在雨雪场景、大雾天气的极端场景与多云天气、高速道路行车场景中进行车速调整、防碰撞预警以及道路区域提取等参数调整也有着很大区别。因此，在汽车高级辅助驾驶系统中利用场景分类实现对道路场景语义理解，这对确保车辆行驶安全有着重要意义。1.3研究现状1.3.1轻量级目标检测研究现状目标检测作为计算机视觉应用研究中的热点和难点之一，主要可以分为基于手工特征和基于深度学习技术的方法。因目标检测在检测过程中容易受物体尺度变化、目标对象被遮挡、光照以及应用场景变化等多种因素的影响。基于手工特征的方法容易受到特征选择的质量的影响，导致应用在实际场景中效果较差的问题。基于深度学习的方法利用卷积神经网络提取更深层次的特征，与基于手工特征的检测方法相比，深度学习的检测方法具有精度高、结构灵活、特征自动提取等优点，受到人们广泛关注。当前各种深度学习的检测算法在各种竞赛任务中取得了优异的性能。从近些年在图像分类竞赛ImageNet[5]上使用的各种卷积神经网络[6]来看，CNN从拥有少量隐藏层的LeNet[7]、AlexNet[8]到深层的GoogLeNet[9]等网络，CNN通过不断改进网络深度及宽度的方式逐渐提升分类效果。但是随着网络深度的增加，这些网络的参数量和计算成本也在显著的增加，往往需要依赖高算力的GPU进行运算。虽然卷积神经网络有稀疏连接、权重共享的优点，使得CNN中的参数相比传统网络
南京信息工程大学硕士学位论文4说这些网络并不能满足任务需求。因此，如何对卷积神经网络模型的参数量及计算量进行压缩，使其能够部署到低功耗、低算力的应用平台具有重要意义。图1.3卷积网精度及参数量对比基于卷积神经网络的目标检测模型在部署应用中受算力及存储能力的制约，导致目标检测算法的研究与应用受到一定的限制。因此，轻量级的目标检测模型的研究与实现变的越来越重要。近几年，卷积神经网络为了进一步提升模型的预测准确率，在设计模型的实验中多数方法是以牺牲参数量和计算量的方式实现。图1.3展示了历届ImageNet竞赛中冠军网络模型的层数以及Top1-accuracy和模型计算量对比。由图1.3能够看出近些年卷积神经网络在ImageNet的竞赛任务中，为了提升模型精度，多数网络通过扩充深度以及网络参数量的方式提升CNN性能，但是卷积神经网络模型深度及参数量的扩充，会导致很多网络模型很难部署到实际的硬件平台中。以ImageNet分类竞赛中使用的卷积神经网络为例，从2012年取得竞赛第一的AlexNet到2014年的冠军GoogLeNet卷积神经网络,网络的层数由最开始的7层逐渐增加到22层。从GoogLeNet卷积神经网络出现以后，以此为基础衍生出一系列的Inception[10]模型，该方法通过利用多组卷积扩宽网络的方式实现参数量和计算量相对较少的网络。Inception的网络结构设计可以维持当前网络深度的前提下实现低参数量计算量的卷积神经网络，并取得了优异的效果。但随着卷积神经网络中残差链接方式的出现，2015年的冠军模型ResNet[11]达到了惊人的
【参考文献】：
期刊论文
[1]基于注意力机制和特征融合的SSD目标检测算法[J]. 高建瓴,孙健,王子牛,韩毓璐,冯娇娇. 软件. 2020(02)
[2]基于深度学习的目标检测技术的研究综述[J]. 罗元,王薄宇,陈旭. 半导体光电. 2020(01)
[3]一种高效的稀疏卷积神经网络加速器的设计与实现[J]. 余成宇,李志远,毛文宇,鲁华祥. 智能系统学报. 2020(02)
[4]结合剪枝与流合并的卷积神经网络加速压缩方法[J]. 谢斌红,钟日新,潘理虎,张英俊. 计算机应用. 2020(03)
[5]深度神经网络模型压缩综述[J]. 李江昀,赵义凯,薛卓尔,蔡铮,李擎. 工程科学学报. 2019(10)
[6]自动驾驶汽车离我们有多远[J]. 辛妍. 新经济导刊. 2016(Z1)
[7]场景图像分类技术综述[J]. 李学龙,史建华,董永生,陶大程. 中国科学:信息科学. 2015(07)
硕士论文
[1]基于标签关联的图像分类方法研究[D]. 陈龙.合肥工业大学 2019
[2]辅助驾驶中基于单幅图像的复杂道路场景分类方法研究[D]. 杨景超.燕山大学 2016
[3]基于机器视觉的自主无人车道路识别研究[D]. 张博峰.西安工业大学 2014
[4]基于分块颜色直方图和HOG特征的粒子滤波跟踪[D]. 陶立超.上海交通大学 2012
本文编号：3607221
本文链接：https://www.wllwen.com/kejilunwen/qiche/3607221.html
