融合深浅特征和动态选择机制的行人检测研究

TP391; 针对无人驾驶场景下行人多尺度、小尺度造成漏检率升高,检测精度下降的问题,本文提出一种融合深浅层特征和级联动态选择机制的行人检测方法.首先,在YOLO v3-tiny的基础上基于密集连接的卷积神经网络改进特征提取部分,融合行人的深层特征和浅层特征加强网络对行人的识别能力;其次,在改进的主干网络上级联具有动态选择机制的注意力模块,使检测网络更加适应动态的行人尺度变化;最后,本文选择BDD 100K数据集和Caltech加州理工学院行人数据集进行实验,在保证实时性的前提下(25 ms/张),本文模型在BDD 100K数据集行人漏检率降低11.4％,平均检测精度提高11.7％,在Calt...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 38; no. 1; pp. 162 - 173
Main Authors 沙梦洲, 沈韬, 曾凯, 马倩, 曾文健
Format Journal Article
LanguageChinese
Published 昆明理工大学信息工程与自动化学院,昆明650500 2023
昆明理工大学云南省计算机技术应用重点实验室,昆明650500%昆明理工大学信息工程与自动化学院,昆明650500
Subjects
行人检测
无人驾驶
密集连接
动态选择机制
小尺度
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2023.01.014

Cover

More Information
Summary:TP391; 针对无人驾驶场景下行人多尺度、小尺度造成漏检率升高,检测精度下降的问题,本文提出一种融合深浅层特征和级联动态选择机制的行人检测方法.首先,在YOLO v3-tiny的基础上基于密集连接的卷积神经网络改进特征提取部分,融合行人的深层特征和浅层特征加强网络对行人的识别能力;其次,在改进的主干网络上级联具有动态选择机制的注意力模块,使检测网络更加适应动态的行人尺度变化;最后,本文选择BDD 100K数据集和Caltech加州理工学院行人数据集进行实验,在保证实时性的前提下(25 ms/张),本文模型在BDD 100K数据集行人漏检率降低11.4％,平均检测精度提高11.7％,在Caltech行人漏检率降低10.1％,平均检测精度提高6.7％,适用于无人驾驶行人检测领域.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2023.01.014