典型文献
深度学习多场景下交通标志快速检测方法研究
文献摘要：
针对多种复杂场景下检测交通标志时存在的错检、漏检、速度慢等问题,本文提出一种基于卷积神经网络的交通标志检测方法.首先,采用单阶段目标检测网络框架,利用空洞卷积核与1×1小卷积核的组合搭建了特征提取网络来获取不同尺寸的特征图;其次,利用多层特征金字塔进行特征增强;最后,通过多个检测端输出不同尺寸的目标检测结果.为了提高训练后模型检测精度,在训练前构建图像预处理—增强模块对输入图像进行尺寸归一化、降噪与滤波等处理,同时使用K-means++算法聚类获得最契合实际目标尺寸的初始候选框.试验结果表明,本文方法在不同自然场景下均能快速精准地检出交通标志目标,单类别目标精度均值最高可达94.4％,平均精度均值可达93.45％,测试环境下检测速度为32 FPS/m·s-1,可以实现交通标志的实时检测.
文献关键词：
交通标志检测;深度学习;小目标;空洞卷积;复杂场景
中图分类号：
作者姓名：
邓乐平;李伟
作者机构：
几核(浙江)科技有限公司,浙江湖州313000
文献出处：
引用格式：
[1]邓乐平;李伟-.深度学习多场景下交通标志快速检测方法研究)[J].测绘技术装备,2022(03):86-92
A类：
B类：
多场景,快速检测方法,复杂场景,漏检,速度慢,交通标志检测,单阶段目标检测,目标检测网络,网络框架,空洞卷积,卷积核,特征提取网络,不同尺寸,特征图,特征金字塔,特征增强,个检,提高训练,模型检测,检测精度,建图,图像预处理,降噪,means++,标尺,候选框,自然场景,目标精度,平均精度均值,测试环境,检测速度,FPS,实时检测,小目标
AB值：
0.430163
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。
