基于轻量级卷积神经网络的交通场景目标检测算法研究

发布时间：2023-05-08 02:44

　　近年来,自动驾驶成为了世界范围内的各大汽车公司和互联网公司的研究热点,而自动驾驶领域的高级驾驶员辅助系统已得到了广泛的应用。目标检测是高级驾驶员辅助系统的关键算法之一。在汽车辅助驾驶的场景中,对于目标检测的实时性要求较高,且城市道路场景复杂,目标间相互有严重的遮挡,多数目标在该场景下的面积占比较小。因此针对这种复杂场景设计高效的目标检测系统具有挑战性。本文研究基于深度卷积神经网络的目标检测方法,并使用公开数据集KITTI作为实验的训练集和测试集,主要的研究工作包括:首先,针对高级驾驶员辅助系统对于实时性与内存的要求,本文对RetinaNet进行轻量化改造,使用PeleeNet作为骨干网络并优化分类回归子网,提高检测速度,降低网络复杂度,方便算法以后在硬件上的移植;其次,基于数据集的先验信息设计更合理的锚点框,进而提高检测精度;然后,通过融合三层次特征并结合注意力机制进一步提高模型的检测性能;最后,基于PeleeNet-RetinaNet检测模型,提出一种对部分增强多尺度特征图进行自适应空间特征融合(Adaptively Spatial Feature Fusion-ASFF)的特征金字...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 背景与意义
    1.2 研究现状与分析
    1.3 论文的主要工作
    1.4 论文组织与架构
第二章 基于卷积神经网络的目标检测算法
    2.1 卷积神经网络
    2.2 基于卷积神经网络的目标检测算法
        2.2.1 两阶段检测算法
        2.2.2 单阶段检测算法
    2.3 本章小结
第三章 基于Pelee-SSD的车辆行人检测
    3.1 实验数据集与评价指标
        3.1.1 KITTI数据集
        3.1.2 评价标准
    3.2 基于Pelee-SSD的车辆行人检测
        3.2.1 Pelee网络模型
        3.2.2 锚点框的设置
    3.3 实验结果及分析
        3.3.1 实验环境及参数设置
        3.3.2 实验结果分析
    3.4 本章小结
第四章 基于RetinaNet的轻量级车辆行人检测
    4.1 RetinaNet基础模型的建立与基准实验
    4.2 针对汽车驾驶环境的轻量级目标检测
        4.2.1 模型结构的调整与实验验证
        4.2.2 锚点框优化与实验验证
        4.2.3 特征融合架构的改进与实验验证
    4.3 本章小结
第五章 基于ASFF的 RetinaNet检测模型
    5.1 引言
    5.2 融合ASFF和 RetinaNet的车辆行人检测
        5.2.1 ASFF算法
        5.2.2 融合ASFF和 RetinaNet
    5.3 预测网络的改进
    5.4 本章小结
总结与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3811826