基于改进SSD的实时检测方法

被引：27

作者：

陈立里 ^{[1
]}

张正道 ^{[1
]}

彭力 ^{[1
,2
]}

机构：

[1] 不详

[2] 江南大学物联网应用技术教育部工程中心

[3] 不详

[4] 无锡太湖学院江苏省物联网应用技术重点实验室

[5] 不详

来源：

激光与光电子学进展 | 2019年 / 01期

关键词：

图像处理; 深度学习; 目标检测; 卷积神经网络; 实时检测;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

卷积神经网络已广泛应用于目标检测领域,然而基于卷积神经网络的方法所需要的计算量大,以至于此类方法难以在计算能力有限的平台上运行。为此提出了一种基于SSD(Single Shot MultiBox Detector)的快速检测方法,即Faster-SSD,该方法在计算量有限的平台上达到了实时检测同时保持高精度。将SSD的基础网络更换为ResNet-34;在生成预测框阶段,先求得满足条件的先验框,再生成对应类别的预测框;提出了一个可变最低阈值来减少计算量;使用在线难例挖掘来去除简单样本。实验结果显示,该方法在NVIDIA Jetson TX2上可以达到14frame/s。

引用

页码：109 / 115

页数：7

共 7 条

[1] 基于深度残差网络的高光谱遥感数据霾监测
陆永帅
李元祥
刘波
刘辉
崔林丽
[J]. 光学学报, 2017, 37 (11) : 314 - 324
[2] 基于加速区域卷积神经网络的夜间行人检测研究
叶国林
孙韶媛
高凯珺
赵海涛
[J]. 激光与光电子学进展, 2017, 54 (08) : 123 - 129
[3] 基于增强聚合通道特征的实时行人重识别
黄新宇
许娇龙
郭纲
郑二功
[J]. 激光与光电子学进展, 2017, 54 (09) : 119 - 127
[4] The Pascal Visual Object Classes (VOC) Challenge
Everingham, Mark
Van Gool, Luc
Williams, Christopher K. I.
Winn, John
Zisserman, Andrew
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2010, 88 (02) : 303 - 338
[5] Distinctive image features from scale-invariant keypoints
Lowe, DG
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) : 91 - 110
[6] A Convnet for Non-maximum Suppression. Hosang J,Benenson R,Schiele B. German Conference on Pattern Recognition . 2016
[7] Densely Connected Convolutional Networks. Huang G,Liu Z,Maaten L V D,et al. IEEE Conference on Computer Vision and Pattern Recognition （CVPR） . 2017

← 1 →