基于Darknet23和特征融合的交通标志检测方法

基于Darknet23和特征融合的交通标志检测方法

TP391; 道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法.利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;将原模型的主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化.实验结果表明,该方法在CCTSDB数据集上m...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:电子技术应用 2023, Vol.49 (1), p.14-19
Hauptverfasser: 杜婷婷, 钟国韵, 江金懋, 任维民
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 19
container_issue 1
container_start_page 14
container_title 电子技术应用
container_volume 49
creator 杜婷婷
钟国韵
江金懋
任维民
description TP391; 道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法.利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;将原模型的主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化.实验结果表明,该方法在CCTSDB数据集上mAP@0.75达到86.10％、mAP@0.5∶0.05∶0.95达到70.017％,相比原网络分别提升10.17％和5.656％,参数量减少3 622 091,速度提升8.27 f/s,且优于SSD和Faster RCNN等主流的检测网络.
doi_str_mv 10.16157/j.issn.0258-7998.222900
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_dzjsyy202301003</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>dzjsyy202301003</wanfj_id><sourcerecordid>dzjsyy202301003</sourcerecordid><originalsourceid>FETCH-wanfang_journals_dzjsyy2023010033</originalsourceid><addsrcrecordid>eNpjYFAwNNAzNDM0NdfP0sssLs7TMzAytdA1t7S00DMyMrI0MGBh4IQLcTDwFhdnJhkYGBoaGFmYGnMyWD6dv-vJrj6XxKLsvNQSI-Onk3qed-58uq_xxbzepxM6ns9qebJrycuGWc8WtD_dP_3Z4oZnW7ufTdv5bPNUHgbWtMSc4lReKM3NoO7mGuLsoVuemJeWmJcen5VfWpQHlIlPqcoqrqw0MjAyNjA0MDA2Jl4lAG1wUY8</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于Darknet23和特征融合的交通标志检测方法</title><source>DOAJ Directory of Open Access Journals</source><creator>杜婷婷 ; 钟国韵 ; 江金懋 ; 任维民</creator><creatorcontrib>杜婷婷 ; 钟国韵 ; 江金懋 ; 任维民</creatorcontrib><description>TP391; 道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法.利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;将原模型的主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化.实验结果表明,该方法在CCTSDB数据集上mAP@0.75达到86.10％、mAP@0.5∶0.05∶0.95达到70.017％,相比原网络分别提升10.17％和5.656％,参数量减少3 622 091,速度提升8.27 f/s,且优于SSD和Faster RCNN等主流的检测网络.</description><identifier>ISSN: 0258-7998</identifier><identifier>DOI: 10.16157/j.issn.0258-7998.222900</identifier><language>chi</language><publisher>东华理工大学信息工程学院,江西南昌330013</publisher><ispartof>电子技术应用, 2023, Vol.49 (1), p.14-19</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/dzjsyy/dzjsyy.jpg</thumbnail><link.rule.ids>314,780,784,864,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>杜婷婷</creatorcontrib><creatorcontrib>钟国韵</creatorcontrib><creatorcontrib>江金懋</creatorcontrib><creatorcontrib>任维民</creatorcontrib><title>基于Darknet23和特征融合的交通标志检测方法</title><title>电子技术应用</title><description>TP391; 道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法.利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;将原模型的主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化.实验结果表明,该方法在CCTSDB数据集上mAP@0.75达到86.10％、mAP@0.5∶0.05∶0.95达到70.017％,相比原网络分别提升10.17％和5.656％,参数量减少3 622 091,速度提升8.27 f/s,且优于SSD和Faster RCNN等主流的检测网络.</description><issn>0258-7998</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNpjYFAwNNAzNDM0NdfP0sssLs7TMzAytdA1t7S00DMyMrI0MGBh4IQLcTDwFhdnJhkYGBoaGFmYGnMyWD6dv-vJrj6XxKLsvNQSI-Onk3qed-58uq_xxbzepxM6ns9qebJrycuGWc8WtD_dP_3Z4oZnW7ufTdv5bPNUHgbWtMSc4lReKM3NoO7mGuLsoVuemJeWmJcen5VfWpQHlIlPqcoqrqw0MjAyNjA0MDA2Jl4lAG1wUY8</recordid><startdate>2023</startdate><enddate>2023</enddate><creator>杜婷婷</creator><creator>钟国韵</creator><creator>江金懋</creator><creator>任维民</creator><general>东华理工大学信息工程学院,江西南昌330013</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2023</creationdate><title>基于Darknet23和特征融合的交通标志检测方法</title><author>杜婷婷 ; 钟国韵 ; 江金懋 ; 任维民</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_dzjsyy2023010033</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>杜婷婷</creatorcontrib><creatorcontrib>钟国韵</creatorcontrib><creatorcontrib>江金懋</creatorcontrib><creatorcontrib>任维民</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>电子技术应用</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>杜婷婷</au><au>钟国韵</au><au>江金懋</au><au>任维民</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于Darknet23和特征融合的交通标志检测方法</atitle><jtitle>电子技术应用</jtitle><date>2023</date><risdate>2023</risdate><volume>49</volume><issue>1</issue><spage>14</spage><epage>19</epage><pages>14-19</pages><issn>0258-7998</issn><abstract>TP391; 道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法.利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;将原模型的主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化.实验结果表明,该方法在CCTSDB数据集上mAP@0.75达到86.10％、mAP@0.5∶0.05∶0.95达到70.017％,相比原网络分别提升10.17％和5.656％,参数量减少3 622 091,速度提升8.27 f/s,且优于SSD和Faster RCNN等主流的检测网络.</abstract><pub>东华理工大学信息工程学院,江西南昌330013</pub><doi>10.16157/j.issn.0258-7998.222900</doi></addata></record>
fulltext fulltext
identifier ISSN: 0258-7998
ispartof 电子技术应用, 2023, Vol.49 (1), p.14-19
issn 0258-7998
language chi
recordid cdi_wanfang_journals_dzjsyy202301003
source DOAJ Directory of Open Access Journals
title 基于Darknet23和特征融合的交通标志检测方法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-28T07%3A46%3A51IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8EDarknet23%E5%92%8C%E7%89%B9%E5%BE%81%E8%9E%8D%E5%90%88%E7%9A%84%E4%BA%A4%E9%80%9A%E6%A0%87%E5%BF%97%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95&rft.jtitle=%E7%94%B5%E5%AD%90%E6%8A%80%E6%9C%AF%E5%BA%94%E7%94%A8&rft.au=%E6%9D%9C%E5%A9%B7%E5%A9%B7&rft.date=2023&rft.volume=49&rft.issue=1&rft.spage=14&rft.epage=19&rft.pages=14-19&rft.issn=0258-7998&rft_id=info:doi/10.16157/j.issn.0258-7998.222900&rft_dat=%3Cwanfang_jour%3Edzjsyy202301003%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=dzjsyy202301003&rfr_iscdi=true