(长沙理工大学计算机与通信工程学院 长沙 410114) (综合交通运输大数据智能处理湖南省重点实验室(长沙理工大学) 长沙 410114) (lxd@stu.csust.edu.cn)
出版日期: 2020-05-01基金资助:国家自然科学基金项目(61972056,61811530332)；湖南省自然科学基金项目(2019JJ50666)；长沙理工大学“双一流”科学研究国际合作拓展项目(2019IC34)；湖南省研究生培养创新基地项目(2019-248-51)；湖南省研究生科研创新项目(CX20190695)A Fast Traffic Sign Detection Algorithm Based on Three-Scale Nested Residual Structures
Li Xudong, Zhang Jianming, Xie Zhipeng, Wang Jin(School of Computer and Communication Engineering, Changsha University of Science and Technology, Changsha 410114) (Hunan Provincial Key Laboratory of Intelligent Processing of Big Data on Transportation (Changsha University of Science and Technology), Changsha 410114)
Online: 2020-05-01Supported by:This work was supported by the National Natural Science Foundation of China (61972056, 61811530332), the Natural Science Foundation of Hunan Province of China (2019JJ50666), the “Double First-class” International Cooperation and Development Scientific Research Project of Changsha University of Science and Technology (2019IC34), the Postgraduate Training Innovation Base Construction Project of Hunan Province (2019-248-51), and the Postgraduate Scientific Research Innovation Fund of Hunan Province (CX20190695).摘要/Abstract
摘要： 智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络，实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络，提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先，在基础网络上采用逐像素相加的跨层连接，并未增加特征图的通道数，同时网络中形成1个小残差结构.其次，通过同样的跨层连接方式，增加了1层空间分辨率更高的预测输出，使得该尺度输出包含更丰富的空间信息，进而构成大残差结构.最终，将2个残差结构进行嵌套，形成了1个三尺度预测的嵌套残差网络模型，使得Tiny检测算法的部分主网络位于这2个残差结构中，起到3次调参的作用.实验结果表明：提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F\-1值为91.77%、检测时间为5ms；在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F\-1值分别为92.41%，93.91%，92.03%，检测时间为5ms.
参考文献
相关文章 15
| [1] | 谢震, 谭光明, 孙凝晖. 基于PPR模型的稀疏矩阵向量乘及卷积性能优化研究[J]. 计算机研究与发展, 2021, 58(3): 445-457. |
| [2] | 甘新标, 谭雯, 刘杰. 基于双向位图的CSR大规模图存储优化[J]. 计算机研究与发展, 2021, 58(3): 458-466. |
| [3] | 吴宗友, 白昆龙, 杨林蕊, 王仪琦, 田英杰. 电子病历文本挖掘研究综述[J]. 计算机研究与发展, 2021, 58(3): 513-527. |
| [4] | 廖海斌, 徐斌. 基于性别和年龄因子分析的鲁棒性人脸表情识别[J]. 计算机研究与发展, 2021, 58(3): 528-538. |
| [5] | 刘颖, 杨轲. 基于深度集成学习的类极度不均衡数据信用欺诈检测算法[J]. 计算机研究与发展, 2021, 58(3): 539-547. |
| [6] | 徐坤浩, 聂铁铮, 申德荣, 寇月, 于戈. 基于CPU-GPU异构体系结构的并行字符串相似性连接方法[J]. 计算机研究与发展, 2021, 58(3): 598-608. |
| [7] | 李松, 胡晏铭, 郝晓红, 张丽平, 郝忠孝. 基于维度分组降维的高维数据近似k近邻查询[J]. 计算机研究与发展, 2021, 58(3): 609-623. |
| [8] | 赖庆宽, 吕方, 贺春林, 何先波, 冯晓兵. 面向理想性能空间的跨架构编译分析方法[J]. 计算机研究与发展, 2021, 58(3): 668-680. |
| [9] | 孟小峰, 刘立新. 基于区块链的数据透明化：问题与挑战[J]. 计算机研究与发展, 2021, 58(2): 237-252. |
| [10] | 古天龙, 冯旋, 李龙, 包旭光, 李云辉. 基于社会新闻数据集的伦理行为判别方法[J]. 计算机研究与发展, 2021, 58(2): 253-263. |
| [11] | 陈晋音, 陈奕芃, 陈一鸣, 郑海斌, 纪守领, 时杰, 程瑶. 面向深度学习的公平性研究综述[J]. 计算机研究与发展, 2021, 58(2): 264-280. |
| [12] | 徐光伟, 史春红, 冯向阳, 罗辛, 石秀金, 韩松桦, 李玮. 基于多级网络编码的多副本云数据存储[J]. 计算机研究与发展, 2021, 58(2): 293-304. |
| [13] | 林霄, 姬硕, 岳胜男, 孙卫强, 胡卫生. 面向跨数据中心网络的节点约束存储转发调度方法[J]. 计算机研究与发展, 2021, 58(2): 319-337. |
| [14] | 刘渝, 郭婵, 冯树耀, 周可, 肖志立. 基于语义相似性的跨模态图文内容筛选存储机制研究[J]. 计算机研究与发展, 2021, 58(2): 338-355. |
| [15] | 韩书楷, 熊子威, 蒋德钧, 熊劲. 基于持久化内存的索引设计重新思考与优化[J]. 计算机研究与发展, 2021, 58(2): 356-370. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4183
