典型文献
基于改进CenterNet的自动驾驶小目标检测
文献摘要：
自动驾驶领域主流目标检测算法对小目标检测效果差,给行车安全带来了威胁,对单阶段无描框CenterNet算法进行改进以解决此问题.首先,替换原主干网络为具有分裂注意力机制的ResNeSt50网络,并将ReLU激活函数升级为FReLU,以极少的额外计算开销强化了特征提取效果;然后提出轻量级网络PASN融合不同尺度的语义特征,并在浅层特征输入端引入空间池化金字塔(SPP)模块强化小目标信息的表达;最后在Kitti数据集进行随机多尺度输入训练.验证集结果表明改进后算法的FPS达到37.7满足实时性要求,小目标检测精度较原算法提12.9％,平均检测精度提升13.9％,同时检测速度与精度均高于主流算法YOLOv4;在实车上每秒可检测31帧图像,为自动驾驶技术发展提供有力支持,具有工程应用价值.
文献关键词：
自动驾驶;小目标;无描框;分裂注意力;CenterNet
中图分类号：
作者姓名：
于方程;张小俊;张明路;赵天亮
作者机构：
河北工业大学机械工程学院 天津300401
文献出处：
引用格式：
[1]于方程;张小俊;张明路;赵天亮-.基于改进CenterNet的自动驾驶小目标检测)[J].电子测量技术,2022(15):115-122
A类：
无描框,分裂注意力,PASN
B类：
CenterNet,小目标检测,目标检测算法,检测效果,行车安全,安全带,单阶段,原主,主干网络,注意力机制,ResNeSt50,激活函数,FReLU,极少,计算开销,提取效果,轻量级网络,不同尺度,语义特征,空间池,池化,金字塔,SPP,目标信息,Kitti,多尺度输入,验证集,集结,FPS,检测精度,精度提升,同时检测,检测速度,流算法,YOLOv4,车上,每秒,自动驾驶技术
AB值：
0.40772
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。
