-
题名基于多尺度卷积神经网络的交通标示识别研究
被引量：4
- 1
-
-
作者
刘万军
李嘉欣
曲海成
-
机构
辽宁工程技术大学软件学院
-
出处
《计算机应用研究》
CSCD
北大核心
2022年第5期1557-1562,共6页
-
基金
国家自然科学基金资助项目(42071351)
辽宁省教育厅基础研究项目(LJ2019JL010)
+1 种基金
辽宁省教育厅科学研究项目(LJ2020QNL013)
辽宁工程技术大学学科创新团队资助项目(LNTU20TD-23)。
-
文摘
交通标示识别在自动驾驶领域有着广泛的应用前景。在实际场景中,光照、地理位置、检测方法等因素会对较小交通标示识别产生影响,导致识别精度降低。针对这些问题,提出一种新型多尺度融合卷积神经网络模型(SF-RCNN)。首先在基础特征提取网络中加入多尺度空洞卷积池化金字塔模块(MASPP),在多尺度空洞卷积采样后,不改变每一个特征下的信息量,而是通过合并通道数来实现特征图的融合,这样既减少了分辨率的损失,也可以捕捉同一图像的上下文信息;其次在网络中增加两个快速拼接模块(F-concat),融合模型中高层与低层的信息,既丰富语义信息,又可以实现不同尺度信息的重复利用;最后在每个最大池化层之前增加批标准化层(BN),转换每一层的数据。尽管增加模块加深了网络深度,但是BN层可以加快模型收敛速度,使整个训练时间不发生较大改变。在CCTSDB数据集上进行特征提取。实验结果表明,该模型利用新型网络结构SF-RCNN,交通标示识别精度均值达到了87.48%,警告类别识别精度达到89.93%,禁令类别识别精度达到89.25%、方向类别识别精度达到81.08%、指示类别识别精度达到89.66%。
-
关键词
卷积神经网络
交通标示识别
SF-RCNN
MASPP
f-concat
-
Keywords
convolutional neural network(CNN)
traffic sign identification
SF-RCNN
MASPP
f-concat
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
