典型文献
面向无人驾驶道路场景的FCOS改进算法
文献摘要：
城市道路环境目标检测是无人驾驶研究的重要内容,深度卷积神经网络算法有着良好的检测精度,被广泛用于城市道路的车辆与行人目标检测.针对道路场景目标尺度多样问题,在特征融合模块提出Strengthened-FPN特征融合,增加自下而上的分支,均衡目标检测器对不同大小目标的检测能力;针对道路场景样本基于真值框非中心分布的问题,提出了基于Loss Score正负样本分配策略,提供模型更优质的正样本实例;最后针对无人驾驶场景数据集KITTI,提出损失函数适应性策略,调整分类损失函数参数,并采用DIoU取代IoU加速模型的收敛,提升FCOS在无人驾驶场景的性能.实验结果表明,改进后的FCOS算法比基准算法mAP提升了 3.1％,更适合于无人驾驶道路场景.
文献关键词：
无人驾驶;目标检测;卷积神经网络;多尺度检测
中图分类号：
作者姓名：
陈悦;石英;周申培;林朝俊;陈卓
作者机构：
武汉理工大学自动化学院,武汉430070
文献出处：
引用格式：
[1]陈悦;石英;周申培;林朝俊;陈卓-.面向无人驾驶道路场景的FCOS改进算法)[J].武汉理工大学学报,2022(12):97-104
A类：
B类：
无人驾驶,道路场景,FCOS,改进算法,城市道路,道路环境,环境目标,深度卷积神经网络算法,检测精度,行人目标检测,标尺,特征融合模块,Strengthened,FPN,自下而上,均衡目标,目标检测器,同大,小目标,检测能力,真值,Loss,Score,正负样本,分配策略,驾驶场景,KITTI,损失函数,适应性策略,整分,函数参数,DIoU,加速模型,比基,mAP,多尺度检测
AB值：
0.436002
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。
