应用卷积神经网络与RPN的交通标志识别

在智能交通系统中要求交通标志识别具有良好的鲁棒性、实时性,并且实际交通环境中可能因路标模糊、光照强弱、尺度大小、复杂背景等因素的问题,导致交通标志识别准确率很低。针对上述问题,提出了利用深度学习方法设计卷积神经网络,并通过卷积和池采样的多层处理,结合目标检测方法中的RPN网络结构,以提取图像的候选区域,从而对候选区域进行特征提取,最后利用全连接网络实现对特征图进行回归处理,获取检测目标的位置及识别。实验结果表明,该方法能有效地提高检测精度和计算效率,降低错误率,对于光照、旋转等不良因素下交通标志检测具有较好的稳定性和准确性,有效地提高了交通标志识别效率,具有良好的泛化能力和适应性,且满足一定的实时性的要求。     

一种加强SSD小目标检测能力的Atrous滤波器设计

针对实时目标检测SSD（single shot multiBox detector）算法对小目标检测能力偏差的问题,提出了一种提高特征图分辨率的Atrous滤波器设计策略。改进算法在SSD网络结构的基础上,把第三、四层卷积层产生的特征图经过规范化后连接在一起,然后通过Atrous卷积运算提高这些特征图分辨率。这些特征图共同提供小目标的所需的特征。另外该SSD改进算法还加入SeLU（scaled exponential linear units）激活函数,并在数据预处理阶段设计了一套数据增广方法。实验表明,该改进算法框架相对于原SSD算法框架具有更高的检测精度、更优良的鲁棒性,以及在小目标检测上效果明显。