基于RetinaNet改进的车辆信息检测

作者：刘革; 郑叶龙^*; 赵美蓉

来源：计算机应用, 2020, 40(03): 854-858.

• 卷积神经网络
• 目标检测
• 维度聚类
• 特征融合
• GIoU

移动端计算力不足和存储有限导致车辆信息检测模型精度不高、速度较慢。针对这一问题,提出一种基于RetinaNet改进的车辆信息检测算法。首先,开发新的车辆信息检测框架,将特征金字塔网络(FPN)模块的深层特征信息融合进浅层特征层,以MobileNet V3为基础特征提取网络;其次,引入目标检测任务的直接评价指标GIoU指导定位任务;最后,使用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层。与原始RetinaNet目标检测算法的对比实验表明,所提算法在车辆信息检测数据集上的精度有10. 2个百分点的提升。以MobileNet V3为基础网络时平均准确率均值(mAP)可达97. 2%且在ARM v7设备上单帧前向推断用时可达100 ms。实验结果表明,所提方法能够有效提高移动端车辆信息检测算法性能。

• 单位
  精密测试技术及仪器国家重点实验室; 天津大学