详情

原文传递基于轻量级神经网络的智能汽车目标检测

论文题名：	基于轻量级神经网络的智能汽车目标检测
关键词：	汽车智能驾驶;目标检测;YOLOv3算法;轻量级神经网络
摘要：	传统的应用于智能驾驶的目标检测算法，大多采用两阶段检测算法，配合后续的跟踪以及推理策略，可以保证较高的检测精度。这类算法具有性能稳定的优势，但计算速度较慢，且具有较高的存储需求，因此对硬件的需求以及内存空间的要求很高，难以实现量产。对于智能汽车目标检测来说，为了达到实际应用的需求，在设计网络时，不仅仅要考虑精度，还要考虑它的推理时间以及参数量。因此，平衡智能汽车目标检测的速度与精度，在保证检测精度的前提下尽可能的提升速度，是一个十分值得研究的课题。针对上述问题，本文开展了基于轻量级神经网络的智能汽车目标检测研究，主要研究内容如下：　　（1）目标检测算法概述　　首先，分析了常用的目标检测算法原理，包括：传统的目标检测算法、两阶段目标检测算法以及单阶段目标检测算法；其次，论述了目标检测算法的评价指标；接着，详细分析了神经网络的基础——神经元模型的数学原理以及卷积神经网络的一些基本结构，包括：卷积层、池化层、全连接层以及常用的激活函数；最后，介绍了四种损失函数、神经网络的训练以及正则化。包括：L1和L2正则化、Dropout以及批标准化（Batch Normalization）。　　（2）基于改进YOLOv3的道路场景目标检测　　对YOLOv3目标检测算法进行了改进，旨在提高检测精度，使其适合道路场景。首先，YOLOv3需要手工设定锚框的尺寸，本文重新定义距离公式，替换原来的IoU（Intersection over Union）为GIoU（GeneralizedIntersection over Union），对BDD100K数据集进行K均值聚类以得到适合道路场景的锚框尺寸；其次，在数据增强部分引入CutMix，即，在训练图像之间进行剪切和粘贴，其中标签也成比例地进行混合。同时，改进特征融合部分，使其融合更浅层的特征，来提高对小目标的检测精度；最后，详细分析对比实验的结果，结果表明：采用以上手段，YOLOv3算法的检测精度提高了6.2个百分点，对于小目标提高更明显，平均提高了13个百分点。该模型将成为知识蒸馏中的教师网络。　　（3）基于轻量级神经网络的道路场景目标检测　　对检测精度较高的改进YOLOv3网络进行轻量化，以提高推理速度，减少内存占用。首先，借鉴YOLOF（You Only Look One-level Feature）的思想，对已得到的改进YOLOv3网络进行结构上的轻量化处理。YOLOv3是同时在三个特征图上进行分类和回归，而本文将利用空洞卷积将所有语义信息集合在一个特征图上，只在该特征图上检测就可以达到甚至超越YOLOv3的检测效果；其次，在训练时将采取知识蒸馏的训练方法，将改进的YOLOv3网络作为教师网络，轻量化网络作为学生网络。该方法可以进一步提高轻量级模型的检测效果；最后，采用消融实验的方式，对以上方法进行对比以及分析。测试结果表明：通过以上方式得到的模型，mAP（mean Average Precision）值会比原始的YOLOv3高12个百分点，fps（frames per second）为原始YOLOv3的3倍。因此可以得出结论，本文模型的精度以及速度都要优于YOLOv3。同时，本文也将最终得到的模型与经典的单阶段、两阶段以及最新的目标检测算法进行了对比，本文模型的精度与速度均优于经典模型，对于最新的检测算法，本文模型的精度略低，但检测速度更高，达到了速度与精度的平衡。
作者：	霍天娇
专业：	车辆工程
导师：	王菲
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2022