典型文献
基于卷积神经网络的多模型交通场景识别研究
文献摘要：
利用人工智能中的视觉分析技术,实现对高分辨率交通视频中出现的各个目标类别进行实时目标检测、语义分割和目标追踪.数据集结合BDD100K和Mapillary Vistas.训练中不仅对模型中的参数进行调整,还对多个模型进行改进与创新.目标检测模型使用EfficientNet-B1作为主干网络,使用ASPP与改进后的FPN作为脖颈网络,通过引入多种模型训练技巧,对模型进行优化,最终结果减少约2.3倍的参数量,在不同数据集上的准确率都有所提升.目标追踪使用DeepSort追踪算法对多个目标类别进行追踪计数.语义分割使用Encoder-Decoder结构,使用EfficientNet-B4作为主干网络,参照U-Net++网络使用卷积层作为特征提取模块,反卷积层作为上采样模块,通过联结不同大小的特征图,得到最终输出结果.将改进语义分割模型与MobileNetV2和DeeplabV3网络结合的模型进行对比,减少约1.35倍的参数量.实验证明,通过深度学习算法提取鲁棒性特征能够为自动驾驶和辅助驾驶场景中的检测识别提供便利.
文献关键词：
目标检测;语义分割;特征提取;上采样;鲁棒性特征
中图分类号：
作者姓名：
姚芷馨;张太红;赵昀杰
作者机构：
新疆农业大学,新疆 乌鲁木齐 830052
文献出处：
引用格式：
[1]姚芷馨;张太红;赵昀杰-.基于卷积神经网络的多模型交通场景识别研究)[J].计算机技术与发展,2022(07):93-98
A类：
Mapillary,Vistas
B类：
多模型,交通场景,场景识别,视觉分析,交通视频,实时目标检测,语义分割,目标追踪,集结,BDD100K,改进与创新,目标检测模型,模型使用,EfficientNet,B1,主干网络,ASPP,FPN,脖颈,模型训练,训练技巧,参数量,DeepSort,追踪算法,Encoder,Decoder,B4,Net++,网络使用,卷积层,取模,反卷积,上采样,样模,同大,特征图,输出结果,分割模型,MobileNetV2,DeeplabV3,深度学习算法,鲁棒性特征,自动驾驶,辅助驾驶,驾驶场景,检测识别
AB值：
0.49922
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。
