原文传递
基于深度学习的交通目标检测算法研究
| 论文题名： | 基于深度学习的交通目标检测算法研究 |
| 关键词： | 深度学习;交通目标检测;残差网络;空洞卷积;注意力机制 |
| 摘要： | 近年来，传统交通系统与人工智能技术的融合促进了智能交通系统的飞速发展，其具备的全面感知理解能力能够多方面改善城市交通环境，提升交通管理能力。交通目标检测作为智能交通系统的关键技术之一，需具备良好服务于智能交通系统以及广泛应用于各类场景的能力。因此，开发性能良好的交通目标精确检测模型是当前领域亟待研究的重要课题之一。本文依托国家重点研发计划（编号：2019YFE0108300）和国家自然科学基金项目（编号：52172379，62001058），围绕交通目标检测模型开展研究工作，探索深度学习关键技术并致力于精确鲁棒的检测方法，具体研究内容和创新性工作如下： （1）提出了一种跨尺度复合空洞残差交通目标检测算法。通过替换SSD基础骨干网络为ResNet-101，以加强网络提取强表征性的高级语义信息能力，改善信息传递损耗和丢失问题，解决网络退化现象。在ResNet-101的残差单元基础上，提出一种新的三分支锯齿空洞残差单元，通过设置“锯齿状”空洞卷积，增大并获得不同大小感受野，充分聚合上下文信息，兼顾大目标与小目标。引入新型复合骨干网络CB-Net，将前一主干的高级特征迭代地逐阶段输入后续主干的并行阶段，实现不同尺度特征图信息跨维度融合。针对CB-Net中复合连接模块易导致色块现象的问题，提出一种新的高效跨尺度融合模块进行通道重组，结合通道维度信息填充像素，实现跨通道像素信息融合。实验结果表明与大多数经典的目标检测算法相比，该算法在检测准确率方面更具优势。 （2）已提出的跨尺度复合空洞残差交通目标检测算法并未考虑空间位置信息与通道间信息对模型特征提取能力的重要性，且面对图像目标较密集、目标结构较复杂的情况，检测效果仍然有待提升。为解决上述问题，提出了深度融合注意力跨尺度复合空洞残差交通目标检测算法。通过引入坐标注意力机制，将来自两个方向的空间坐标通道信息有效整合到生成注意力图中，构建出能够捕获跨通道信息且包含方向感知和位置敏感信息的注意力残差单元与三分支锯齿空洞注意残差单元。此外，该算法通过引入soft-NMS降低与高置信度预测框重叠度较大的目标框的置信度，增加二次检测机会，减少不同目标预测框重叠较高时引起的漏检现象，提升了网络模型召回率。实验结果表明所设计方法相比于现阶段五种先进的目标检测算法，进一步提高了交通目标检测的精确性和鲁棒性。 |
| 作者： | 杨朝晨 |
| 专业： | 交通运输工程 |
| 导师： | 高涛 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
