典型文献
改进CenterNet的交通标志检测算法
文献摘要：
针对交通标志尺度变化大导致检测精度低的问题,本文提出一种改进CenterNet的交通标志检测算法.采用ResNeSt50作为主干特征提取网络,引入PSConv(Ploy-Scale Convolution)改进网络卷积层结构.设计多尺度感受野模块,对ASPP(Atrous Spatial Pyramid Pooling)选取合适的膨胀率,利用注意力机制优化模块输出,提升对不同尺度标志的检测能力.在解码网络设计特征增强模块,减少因连续上采样导致的特征丢失.针对CenterNet回归目标尺寸不准确的问题,使用GHM(Gradient Harmonizing Mechanism)对损失函数改进.经实验验证,改进后算法总体精度提升了9.45％,速度达到每秒91.09帧,适用于交通标志检测.
文献关键词：
交通标志检测;多尺度感受野模块;特征增强模块;深度学习
中图分类号：
作者姓名：
成怡;张宇;李宝全
作者机构：
天津工业大学控制科学与工程学院,天津300387;天津市电气装备智能控制重点实验室,天津300387
文献出处：
引用格式：
[1]成怡;张宇;李宝全-.改进CenterNet的交通标志检测算法)[J].信号处理,2022(03):511-518
A类：
PSConv,Ploy,多尺度感受野模块,Harmonizing
B类：
CenterNet,交通标志检测,检测算法,尺度变化,检测精度,ResNeSt50,主干特征提取网络,Scale,Convolution,进网,卷积层,ASPP,Atrous,Spatial,Pyramid,Pooling,膨胀率,注意力机制,机制优化,不同尺度,检测能力,解码,网络设计,设计特征,特征增强模块,上采样,标尺,GHM,Gradient,Mechanism,损失函数,总体精度,精度提升,每秒
AB值：
0.420656
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
