原文传递
基于高效率网络的车辆检测与分类研究
| 论文题名： | 基于高效率网络的车辆检测与分类研究 |
| 关键词： | 智能交通;车辆检测;车辆分类;高效率网络 |
| 摘要： | 随着人们生活水平的提高，更多人选择私家车出行，这无形中让城市交通陷入了一定的困境，导致人们常因为早高峰、晚高峰的交通阻塞问题而耽误出行，甚至导致交通事故的发生，因此建立便捷、高效智能的交通管理系统十分有必要。车辆目标的检测和分类是缓解交通问题的重要方法，也是智能交通中的重要组成部分，因此，本文以深度学习为基础，对于车辆目标的检测和分类进行研究，主要研究内容如下： 针对车辆目标检测问题，本文选择SSD网络和EfficientDet网络作为基础检测网络，提出了使用EfficientDet网络中的基础特征提取网络EfficientNet代替SSD网络中的VGG16来提取图像特征，得到EfficientNet-SSD融合网络。由于EfficientNet是轻量化的高效率网络，网络融合后解决了原始SSD网络中由于参数量较大导致模型训练困难的问题，同时与EfficientDet网络相比，融合网络在小目标车辆检测效果上和检测速度上都有了明显的提升，然后在融合后的EfficientNet-SSD中采用软非极大抑制算法（Soft-NMS）代替原始网络中的非极大抑制算法（NMS）来获取更加准确的预测结果。由实验结果可得，相较于基础网络，EfficientNet-SSD-Soft-NMS网络在检测精度、速度上都有了一定的提升，并且减少了训练时间和参数量。 针对车辆分类问题，本文选择EfficientNet网络作为基础分类网络进行构建。首先对网络的整体结构进行分析，并在网络最后增加softmax分类器将分类结果输出更为清晰的（0,1）区间值。其次，使用标签平滑正则化损失函数（LSR）代替交叉熵损失函数，降低了样本标签噪声对训练的影响。最后，在特征图的最后输出层添加含有残差结构的双通道注意力机制，在少量增加网络复杂度的同时来丰富特征图中的信息。实验表明，本文方法能够提高车辆的分类的准确率。 |
| 作者： | 何先平 |
| 专业： | 电子与通信工程 |
| 导师： | 柳长源 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
