典型文献
基于透视降采样和神经网络的地面标志检测
文献摘要：
在智能驾驶领域,为实时精确检测路面的导向标志,提出一种基于透视降采样和神经网络的地标检测方法,有效解决传统检测方法实时性较差、复杂场景和远处小目标检测准确率较低的问题.首先,选取图像感兴趣区域进行透视降采样,降低道路图像近处分辨率,缩小图像尺寸,同时消除透视投影误差.其次对YOLOv3-tiny目标检测网络进行改进,采用k-means++算法对自建数据集的边界框聚类;添加卷积层强化浅层特征,提升小目标表征能力;改变特征金字塔融合尺度,将预测输出调整为适合地标尺寸的26×26和52×52.最后,在自建多场景数据集上测试,准确率由78％提升到99％,模型大小由33.8 MB减小为8.3 MB.结果表明,基于透视降采样和神经网络的地标检测方法鲁棒性强,对小目标检测精度更高,易于在低端嵌入式设备上部署.
文献关键词：
透视降采样;YOLOv3-tiny;地标检测;数据集;k-means++
中图分类号：
作者姓名：
李玉珍;陈辉;王杰;荣文
作者机构：
山东大学信息科学与工程学院,山东 青岛 266237;山东高速信息集团有限公司,山东 济南 250000
文献出处：
引用格式：
[1]李玉珍;陈辉;王杰;荣文-.基于透视降采样和神经网络的地面标志检测)[J].图学学报,2022(02):288-295
A类：
透视降采样
B类：
智能驾驶,精确检测,导向标志,地标检测,复杂场景,远处,小目标检测,检测准确率,感兴趣区域,道路图像,近处,处分,图像尺寸,透视投影,投影误差,YOLOv3,tiny,目标检测网络,means++,自建数据集,边界框,加卷,卷积层,目标表征,表征能力,改变特征,特征金字塔融合,出调,标尺,多场景,MB,检测精度,低端,嵌入式设备
AB值：
0.345138
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。
