基于深度神经网络的行人车辆检测算法研究
发布时间：2021-12-23 05:24
行人车辆检测在自动驾驶、增强现实、智慧安防、智能交通等诸多领域都有着广泛的应用,近年来受到学术界和工业界越来越多的关注。针对这一问题研究者们提出了很多有效的方法,但由于实际场景中经常出现光照变化、尺度变化、部分遮挡等不可控因素,行人车辆检测仍然是一个很有挑战性的问题,在精度上还有待提升,而且现有的方法模型复杂度普遍较高,速度上也无法满足实际应用的需求。本文对行人车辆检测进行了系统的分析和研究,改进和优化了现有的模型,提升了检测的精度和速度。本文的主要工作如下:（1）提出了一个端到端的分层全卷积神经网络——EFCN。为了降低模型前向传播的计算量,EFCN采用轻量级的深度神经网络MobileNet作为基网络。同时,为了解决实际场景中目标尺寸变化大的问题,EFCN使用同一个网络中不同分辨率的网络层对输入图像中不同大小的目标进行检测,并且在每一个预测层的顶端增加了一个优化模块,优化模块通过反卷积和跳跃连接将深度神经网络中包含目标细节的高分辨率特征层和包含目标高级语义信息的低分辨率特征层进行调制融合,构造出了对行人车辆具有鲁棒性的特征表达。本文在KITTI数据集上评测了 EFCN算法的性能,并且...
【文章来源】：中国科学院大学(中国科学院重庆绿色智能技术研究院)重庆市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图１．１?ＤＰＭ算法结构示意图间??Ｆｉｇｕｒｅ?１．１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＤＰＭ１１１１??随后，研究者们开始了对于各种特征提取方法的比较，发现这些特征在不同的??
就是ｉｎｓｉｄｅ－ｎｅｔｗｏｒｋ。依靠这两个改进，ＩＯＮ［３４］在Ｐａｓｃａｌ?ＶＯＣ?２００７［３６］数据集上的??ｍＺＰ值大约提高了?５个百分点，同时也获得了?ＣＯＣＯ?２０１５?ｄｅｔｅｃｔｉｏｎ＾３７］竞赛的Ｂｅｓｔ??Ｓｔｕｄｅｎｔ?Ｅｎｔｒｙ。ＩＯＮ［３４］的网络结构如图２．１所示。??４－ｄｉｒ?４－ｄｉｒ?ｃｏｎｔｅｘｔ??ｃｏｎｖｌ?ｃｏｎｖ２?ｃｏｎｖ３?ｃｏｎｖ４?ｃｏｎｖ５?，ＲＮＮ?｜ＲＮＮ?ｆｅａｔｕｒｅｓ??ＲＯＩ?Ｐｎｏｌｉｎｏ?????ＱｉＱｉＱｌＱｉ?ｎ?ｙｆ?Ｑ?ｓｏｆｔｍａｘ??Ｌ２?ｎｏｍｉａｆｅｅＷ／４？—ｓｒＵｒｌ＾〇ｂｂ〇ｘ??ｃｏｎｃａｔ?ｃｏｎｖ?Ｆｏｒ?ｅａｃｈ?ＲＯＩ??图２．１?ＩＯＮ网络结构示意图Ｍｌ??Ｆｉｇｕｒｅ?２．１?Ｉｎｓｉｄｅ－Ｏｕｔｓｉｄｅ?Ｎｅｔ?（ＩＯＮ）［３４］??ＨｙｐｅｒＮｅｔ［３５］的出发点基于一个很重要的观察：神经网络的高层特征具有更强??的语义信息，对于识别问题有效；而底层的特征由于分辨率较高，能够更好地对目??标进行定位。由于目标检测既需要识别又需要定位，作者于是将神经网络的高中低??层进行融合，然后利用融合后的特征进行候选区域的提取和进一步的目标检测。依??靠以上的改进，ＨｙｐｅｒＮｅｔｔ＃可以在只产生大约１００个候选区域的时候保证较高的??召回率，同时目标检测的值相对于Ｆａｓｔ?Ｒ－ＣＮＮＷ也提高了大约６个百分点。??（２）定位准确性??定位准确性
需要定义网络结构、回归方式等。最后将经过回归的候选框放入到Ｆａｓｔ??Ｒ－ＣＮＮ间中进行检测，在／Ｏｔ／?＝?０．５时，在ＰａｓｃａｌＶＯＣ［３６］数据上ｍ处可以提升大约??５个百分点，而／０ｔ／?＝?〇．７时可以提升１３个百分点。ＬｏｃＮｅｔ［３８］网络结构图如图２．３??所示。??为了提局定位准确性，ＲＲＣ［３９］将?ＲＮＮ?（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）的一些思??想融入到了目标检测当中。当我们在目标位置回归的时候，一定是需要一些有用的??底层信息的，但是并不是所有的底层信息都有用，那这些有用的底层信息如何通过??一定的方式传递到后面的决策层呢？?ＲＲＣ［３９］发现当利用当前层进行预测的时候，??实际上和它的上一层和下一层的信息都是有关的，于是提出了一个Ｒｅｃｕｒｒｅｎｔ??Ｒｏｌｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎ来渐进地完成寻找合适的底层信息的任务。通过这个改进策略，??狀＜：［３９］在ＫＩＴＴＩ［２１缴据集上的Ｈａｒｄ水平上的检测效果得到了明显提升。ＲＲＣ間的??网络结构图如图２．２所示。????＾?Ｃａｎ－?１ｘ１ｘ１９??、、、?Ｃｏｎｖ．?１ｘ１ｘ１９?Ｖ、?Ｍａｓ?Ｐｏｏｌｉｎｇ?ｃｃｏｖＳ?２??？??■＇?ＭａｘＰｏｏｌｍｓ?＾￣Ｃｏａ＼ｔ?１ｘ１ｘ１９??４７?七一训—，??ｃｏｎｖ４?３?！?２４?
本文编号：3547870
【文章来源】：中国科学院大学(中国科学院重庆绿色智能技术研究院)重庆市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图１．１?ＤＰＭ算法结构示意图间??Ｆｉｇｕｒｅ?１．１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＤＰＭ１１１１??随后，研究者们开始了对于各种特征提取方法的比较，发现这些特征在不同的??
就是ｉｎｓｉｄｅ－ｎｅｔｗｏｒｋ。依靠这两个改进，ＩＯＮ［３４］在Ｐａｓｃａｌ?ＶＯＣ?２００７［３６］数据集上的??ｍＺＰ值大约提高了?５个百分点，同时也获得了?ＣＯＣＯ?２０１５?ｄｅｔｅｃｔｉｏｎ＾３７］竞赛的Ｂｅｓｔ??Ｓｔｕｄｅｎｔ?Ｅｎｔｒｙ。ＩＯＮ［３４］的网络结构如图２．１所示。??４－ｄｉｒ?４－ｄｉｒ?ｃｏｎｔｅｘｔ??ｃｏｎｖｌ?ｃｏｎｖ２?ｃｏｎｖ３?ｃｏｎｖ４?ｃｏｎｖ５?，ＲＮＮ?｜ＲＮＮ?ｆｅａｔｕｒｅｓ??ＲＯＩ?Ｐｎｏｌｉｎｏ?????ＱｉＱｉＱｌＱｉ?ｎ?ｙｆ?Ｑ?ｓｏｆｔｍａｘ??Ｌ２?ｎｏｍｉａｆｅｅＷ／４？—ｓｒＵｒｌ＾〇ｂｂ〇ｘ??ｃｏｎｃａｔ?ｃｏｎｖ?Ｆｏｒ?ｅａｃｈ?ＲＯＩ??图２．１?ＩＯＮ网络结构示意图Ｍｌ??Ｆｉｇｕｒｅ?２．１?Ｉｎｓｉｄｅ－Ｏｕｔｓｉｄｅ?Ｎｅｔ?（ＩＯＮ）［３４］??ＨｙｐｅｒＮｅｔ［３５］的出发点基于一个很重要的观察：神经网络的高层特征具有更强??的语义信息，对于识别问题有效；而底层的特征由于分辨率较高，能够更好地对目??标进行定位。由于目标检测既需要识别又需要定位，作者于是将神经网络的高中低??层进行融合，然后利用融合后的特征进行候选区域的提取和进一步的目标检测。依??靠以上的改进，ＨｙｐｅｒＮｅｔｔ＃可以在只产生大约１００个候选区域的时候保证较高的??召回率，同时目标检测的值相对于Ｆａｓｔ?Ｒ－ＣＮＮＷ也提高了大约６个百分点。??（２）定位准确性??定位准确性
需要定义网络结构、回归方式等。最后将经过回归的候选框放入到Ｆａｓｔ??Ｒ－ＣＮＮ间中进行检测，在／Ｏｔ／?＝?０．５时，在ＰａｓｃａｌＶＯＣ［３６］数据上ｍ处可以提升大约??５个百分点，而／０ｔ／?＝?〇．７时可以提升１３个百分点。ＬｏｃＮｅｔ［３８］网络结构图如图２．３??所示。??为了提局定位准确性，ＲＲＣ［３９］将?ＲＮＮ?（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）的一些思??想融入到了目标检测当中。当我们在目标位置回归的时候，一定是需要一些有用的??底层信息的，但是并不是所有的底层信息都有用，那这些有用的底层信息如何通过??一定的方式传递到后面的决策层呢？?ＲＲＣ［３９］发现当利用当前层进行预测的时候，??实际上和它的上一层和下一层的信息都是有关的，于是提出了一个Ｒｅｃｕｒｒｅｎｔ??Ｒｏｌｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎ来渐进地完成寻找合适的底层信息的任务。通过这个改进策略，??狀＜：［３９］在ＫＩＴＴＩ［２１缴据集上的Ｈａｒｄ水平上的检测效果得到了明显提升。ＲＲＣ間的??网络结构图如图２．２所示。????＾?Ｃａｎ－?１ｘ１ｘ１９??、、、?Ｃｏｎｖ．?１ｘ１ｘ１９?Ｖ、?Ｍａｓ?Ｐｏｏｌｉｎｇ?ｃｃｏｖＳ?２??？??■＇?ＭａｘＰｏｏｌｍｓ?＾￣Ｃｏａ＼ｔ?１ｘ１ｘ１９??４７?七一训—，??ｃｏｎｖ４?３?！?２４?
本文编号：3547870
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3547870.html
