基于改进卷积神经网络的交通目标检测方法

作者：高明华; 杨璨

来源：吉林大学学报（工学版）, 2022, 52(06): 1353-1361.

DOI：10.13229/j.cnki.jdxbgxb20210380

• 智能交通
• 目标检测
• 深度学习
• 卷积神经网络
• YOLO

针对现有交通场景中目标检测方法精确度较低、对设备性能要求高的问题，提出了一种基于改进YOLOv3网络的目标检测方法。针对完全交并比函数在特殊情况下对预测框与真实框重合程度衡量不准确的问题，对其进行改进，提出了一种新的交并比函数PIOU，提升了检测精度。通过增加检测尺度，实现了特征图细化和增强深、浅层语义信息融合，达到增强小目标检测能力的目的。通过添加SE注意力机制模块，使模型更重视学习重要通道的特征信息；通过融合局部特征与全局特征获得新的特征图，进一步提高了检测精度。针对数据集特性提出了M-YOLT增强方法，改善了小目标检测性能。通过对网络进行结构性通道剪枝降低了设备性能要求，并采用Matrix NMS替换NMS以提升检测速度。实验结果表明：改进的方法在改善检测效果的同时降低了检测时间，在KITTI数据集上的测试达到最高88.4%的mAP，比原始YOLOv3提升了6.3%；或在保持86.3%mAP的情况下使平均检测时间下降至8.6 ms。该方法在对设备硬件要求较低的情况下能够实现较好的检测效果。

• 单位
  华东交通大学