行人車輛檢測在自動駕駛、增強現(xiàn)實、智慧安防、智能交通等諸多領域都有著廣泛的應用,近年來受到學術界和工業(yè)界越來越多的關注。針對這一問題研究者們提出了很多有效的方法,但由于實際場景中經(jīng)常出現(xiàn)光照變化、尺度變化、部分遮擋等不可控因素,行人車輛檢測仍然是一個很有挑戰(zhàn)性的問題,在精度上還有待提升,而且現(xiàn)有的方法模型復雜度普遍較高,速度上也無法滿足實際應用的需求。本文對行人車輛檢測進行了系統(tǒng)的分析和研究,改進和優(yōu)化了現(xiàn)有的模型,提升了檢測的精度和速度。本文的主要工作如下:（1）提出了一個端到端的分層全卷積神經(jīng)網(wǎng)絡——EFCN。為了降低模型前向傳播的計算量,EFCN采用輕量級的深度神經(jīng)網(wǎng)絡MobileNet作為基網(wǎng)絡。同時,為了解決實際場景中目標尺寸變化大的問題,EFCN使用同一個網(wǎng)絡中不同分辨率的網(wǎng)絡層對輸入圖像中不同大小的目標進行檢測,并且在每一個預測層的頂端增加了一個優(yōu)化模塊,優(yōu)化模塊通過反卷積和跳躍連接將深度神經(jīng)網(wǎng)絡中包含目標細節(jié)的高分辨率特征層和包含目標高級語義信息的低分辨率特征層進行調(diào)制融合,構(gòu)造出了對行人車輛具有魯棒性的特征表達。本文在KITTI數(shù)據(jù)集上評測了 EFCN算法的性能,并且... 

【文章來源】：中國科學院大學(中國科學院重慶綠色智能技術研究院)重慶市

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

圖１．１?ＤＰＭ算法結(jié)構(gòu)示意圖間??Ｆｉｇｕｒｅ?１．１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＤＰＭ１１１１??隨后，研究者們開始了對于各種特征提取方法的比較，發(fā)現(xiàn)這些特征在不同的??

就是ｉｎｓｉｄｅ－ｎｅｔｗｏｒｋ。依靠這兩個改進，ＩＯＮ［３４］在Ｐａｓｃａｌ?ＶＯＣ?２００７［３６］數(shù)據(jù)集上的??ｍＺＰ值大約提高了?５個百分點，同時也獲得了?ＣＯＣＯ?２０１５?ｄｅｔｅｃｔｉｏｎ＾３７］競賽的Ｂｅｓｔ??Ｓｔｕｄｅｎｔ?Ｅｎｔｒｙ。ＩＯＮ［３４］的網(wǎng)絡結(jié)構(gòu)如圖２．１所示。??４－ｄｉｒ?４－ｄｉｒ?ｃｏｎｔｅｘｔ??ｃｏｎｖｌ?ｃｏｎｖ２?ｃｏｎｖ３?ｃｏｎｖ４?ｃｏｎｖ５?，ＲＮＮ?｜ＲＮＮ?ｆｅａｔｕｒｅｓ??ＲＯＩ?Ｐｎｏｌｉｎｏ?????ＱｉＱｉＱｌＱｉ?ｎ?ｙｆ?Ｑ?ｓｏｆｔｍａｘ??Ｌ２?ｎｏｍｉａｆｅｅＷ／４？—ｓｒＵｒｌ＾〇ｂｂ〇ｘ??ｃｏｎｃａｔ?ｃｏｎｖ?Ｆｏｒ?ｅａｃｈ?ＲＯＩ??圖２．１?ＩＯＮ網(wǎng)絡結(jié)構(gòu)示意圖Ｍｌ??Ｆｉｇｕｒｅ?２．１?Ｉｎｓｉｄｅ－Ｏｕｔｓｉｄｅ?Ｎｅｔ?（ＩＯＮ）［３４］??ＨｙｐｅｒＮｅｔ［３５］的出發(fā)點基于一個很重要的觀察：神經(jīng)網(wǎng)絡的高層特征具有更強??的語義信息，對于識別問題有效；而底層的特征由于分辨率較高，能夠更好地對目??標進行定位。由于目標檢測既需要識別又需要定位，作者于是將神經(jīng)網(wǎng)絡的高中低??層進行融合，然后利用融合后的特征進行候選區(qū)域的提取和進一步的目標檢測。依??靠以上的改進，ＨｙｐｅｒＮｅｔｔ＃可以在只產(chǎn)生大約１００個候選區(qū)域的時候保證較高的??召回率，同時目標檢測的值相對于Ｆａｓｔ?Ｒ－ＣＮＮＷ也提高了大約６個百分點。??（２）定位準確性??定位準確性

需要定義網(wǎng)絡結(jié)構(gòu)、回歸方式等。最后將經(jīng)過回歸的候選框放入到Ｆａｓｔ??Ｒ－ＣＮＮ間中進行檢測，在／Ｏｔ／?＝?０．５時，在ＰａｓｃａｌＶＯＣ［３６］數(shù)據(jù)上ｍ處可以提升大約??５個百分點，而／０ｔ／?＝?〇．７時可以提升１３個百分點。ＬｏｃＮｅｔ［３８］網(wǎng)絡結(jié)構(gòu)圖如圖２．３??所示。??為了提局定位準確性，ＲＲＣ［３９］將?ＲＮＮ?（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）的一些思??想融入到了目標檢測當中。當我們在目標位置回歸的時候，一定是需要一些有用的??底層信息的，但是并不是所有的底層信息都有用，那這些有用的底層信息如何通過??一定的方式傳遞到后面的決策層呢？?ＲＲＣ［３９］發(fā)現(xiàn)當利用當前層進行預測的時候，??實際上和它的上一層和下一層的信息都是有關的，于是提出了一個Ｒｅｃｕｒｒｅｎｔ??Ｒｏｌｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎ來漸進地完成尋找合適的底層信息的任務。通過這個改進策略，??狀＜：［３９］在ＫＩＴＴＩ［２１繳據(jù)集上的Ｈａｒｄ水平上的檢測效果得到了明顯提升。ＲＲＣ間的??網(wǎng)絡結(jié)構(gòu)圖如圖２．２所示。????＾?Ｃａｎ－?１ｘ１ｘ１９??、、、?Ｃｏｎｖ．?１ｘ１ｘ１９?Ｖ、?Ｍａｓ?Ｐｏｏｌｉｎｇ?ｃｃｏｖＳ?２??？??■＇?ＭａｘＰｏｏｌｍｓ?＾￣Ｃｏａ＼ｔ?１ｘ１ｘ１９??４７?七一訓—，??ｃｏｎｖ４?３?！?２４?


本文編號：3547870