基于卷积神经网络的小目标交通标志检测算法

被引：15

作者：

周苏 ^{[1
]}

支雪磊 ^{[1
]}

刘懂 ^{[1
]}

宁皓 ^{[2
]}

蒋连新 ^{[2
]}

石繁槐 ^{[3
]}

机构：

[1] 同济大学汽车学院

[2] 苏州中德宏泰电子科技股份有限公司

[3] 同济大学电子与信息工程学院

来源：

同济大学学报(自然科学版) | 2019年 / 47卷 / 11期

关键词：

卷积神经网络; 交通标志检测; 计算机视觉; 小目标检测;

D O I：

暂无

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算]; U495 [电子计算机在公路运输和公路工程中的应用];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ; 0838 ;

摘要：

PVANet(performance vs accuracy network)卷积神经网络用于小目标检测的检测能力较弱.针对这一瓶颈问题,采用对PVANet网络的浅层特征提取层、深层特征提取层和HyperNet层(多层特征信息融合层)进行改进的措施,提出了一种适用于小目标物体检测的改进PVANet卷积神经网络模型,并在TT100K(Tsinghua-Tencent 100K)数据集上进行了交通标志检测算法验证实验.结果表明,所构建的卷积神经网络具有优秀的小目标物体检测能力,相应的交通标志检测算法可以实现较高的准确率.

引用

页码：1626 / 1632

页数：7

共 9 条

[1]

基于深度卷积神经网络的小目标检测.[D].郭之先.南昌航空大学.2018, 08

[2] 基于深度卷积神经网络的红外小目标检测 [J].

吴双忱 ;

左峥嵘 .

红外与毫米波学报, 2019, 38 (03) :371-380

[3] 复杂条件下小目标检测算法研究 [J].

彭小飞 ;

方志军 .

智能计算机与应用, 2019, 9 (03) :171-175

[4] 基于深度学习的小目标检测研究综述 [J].

刘晓楠 ;

王正平 ;

贺云涛 ;

刘倩 .

战术导弹技术, 2019, (01) :100-107

[5] 基于深度学习的航空对地小目标检测 [J].

梁华 ;

宋玉龙 ;

钱锋 ;

宋策 .

液晶与显示, 2018, 33 (09) :793-800

[6] 改进Faster R-CNN的小目标检测 [J].

赵庆北 ;

元昌安 ;

覃晓 .

广西师范学院学报(自然科学版), 2018, 35 (02) :68-73

[7]

The <Emphasis Type="SmallCaps">Pascal</Emphasis> Visual Object Classes Challenge: A Retrospective.[J].Mark Everingham;S. M. Ali Eslami;Luc Gool;Christopher K. I. Williams;John Winn;Andrew Zisserman.International Journal of Computer Vision.2015, 1

[8]

Real-time traffic sign recognition in three stages.[J].Fatin Zaklouta;Bogdan Stanciulescu.Robotics and Autonomous Systems.2012,

[9]

Traffic sign recognition using colour information.[J].W. Ritter;F. Stein;R. Janssen.Mathematical and Computer Modelling.1995, 4

← 1 →