文献标识码:A
DOI:10.19358/j.issn.2096-5133.2020.09.011
引用格式: 胡臣辰,陈贤富. 基于YOLO改进残差网络结构的车辆检测方法[J].信息技术与网络安全,2020,39(9):56-60.
0 引言
车辆是目标检测任务中的重要对象之一,在自动驾驶、目标追踪等领域有着十分重要的应用。以梯度方向直方图(Histogram of Oriented Gradient,HOG)和支持向量机(Support Vector Machine,SVM)结合的传统目标检测算法先计算候选框内图像梯度的方向信息统计值,再通过正负样本训练SVM,使用传统方法受限于候选框提取效率、HOG特征尺度鲁棒性,在实时性以及遮挡目标检测等诸多方面有着明显缺陷[1]。近年来,基于深度学习的目标检测方法以强特征提取能力、高检测率取得了惊人的成果。近年来深度学习网络在计算机视觉上因AlexNet在2012年的ImageNet大赛中大放异彩而进入飞速发展。2014年VGGNet在追求深层网络的性能时,发现增加网络的深度会提高性能,但是与此同时带来的梯度消失问题不可避免。2015年ResNet网络较好地解决了这个问题,深层残差网络可以减少模型收敛时间、改善寻优过程,但应用尺度大的卷积核的同时增加了网络模型的参数量与计算量,降低了模型的训练与检测速度[2]。
计算机视觉中的目标检测任务关注图像中特定目标的位置信息,现有方法分为two-stage和one-stage两类。two-stage方法先产生包含目标的候选框,再通过卷积神经网络对目标进行分类,常见的方法有RCNN、Fast-RCNN、Faster-RCNN。one-stage方法直接使用一个卷积网络对给定输入图像给出检测结果,以YOLO为代表的one-stage目标检测方法在检测时,将候选框的生成与目标的分类回归合并成一步,基于YOLO的检测算法大大提高了检测速度,但检测精度仍有待提高[3]。本文选择在基于YOLO方法的基础上改进主干网络的残差网络结构,设计了一种新的网络模型,经实验表明提高了检测准确率。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003099
作者信息:
胡臣辰,陈贤富
(中国科学技术大学 微电子学院,安徽 合肥230027)