典型文献
面向数据长尾分布的道路目标检测算法研究
文献摘要：
道路目标检测是自动驾驶环境感知的重要组成部分.现实场景中数据往往是遵循长尾分布的,数据的长尾分布会导致分类器过度拟合样本数量多的类别,使得算法对于样本数量少的类别检测效果较差.为了缓解这一问题提出了 SFL(seesaw focal loss),使用互补的缓解因子与补偿因子动态地平衡每个类别的正样本和负样本梯度.缓解因子减少对尾部类别的惩罚,补偿因子增加了对错误分类的惩罚,以避免尾部类别的误检.基于SFL和EfficientDet提出了SEfficientDet系列 目标检测算法.通过在BDD100K数据集上的实验表明,SEfficientDet可以显著提升尾部类别的识别效果.与EfficientDet相比,SEfficientDet在同等参数量下mAP提高4.8％,训练速度提高2.3倍.在同等推理时间下mAP提高5.3％,训练速度提升1.8倍.
文献关键词：
目标检测;长尾分布;seesaw focal loss;EfficientDet
中图分类号：
作者姓名：
王志红;王煜晟
作者机构：
现代汽车零部件技术湖北省重点实验室(武汉理工大学),武汉430070;汽车零部件技术湖北省协同创新中心,武汉430070
文献出处：
引用格式：
[1]王志红;王煜晟-.面向数据长尾分布的道路目标检测算法研究)[J].武汉理工大学学报,2022(10):102-108
A类：
SEfficientDet
B类：
长尾分布,道路目标检测,目标检测算法,算法研究,自动驾驶,驾驶环境感知,现实场景,分类器,过度拟合,样本数量,检测效果,SFL,seesaw,focal,loss,补偿因子,地平,尾部,部类,对错,误分类,BDD100K,参数量,mAP,训练速度,推理时间
AB值：
0.319817
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。
