基于改进SSD的交通大场景多目标检测

华夏; 王新晴; 王东; 马昭烨; 邵发明

doi:doi:10.3788/AOS201838.1215003

光学学报, 2018, 38 (12): 1215003, 网络出版: 2019-05-10

基于改进SSD的交通大场景多目标检测下载： 1646次

Multi-Objective Detection of Traffic Scenes Based on Improved SSD

华夏 ^1,*王新晴 ¹王东 ^1,2马昭烨 ¹邵发明 ¹

作者单位

¹ 中国人民解放军陆军工程大学野战工程学院, 江苏南京 210007

² 南部战区陆军第二工程科研设计所, 云南昆明 650222

图 & 表

图 1. 改进后检测算法整体框架

Fig. 1. Improved detection algorithm overall framework

下载图片查看原文

图 2. CNN模型提取各级特征卷积核示例

Fig. 2. Example of CNN model extracting feature convolution kernels at various levels

下载图片查看原文

图 3. 二维Gabor滤波器卷积核

Fig. 3. Two-dimensional Gabor filter convolution kernel

下载图片查看原文

图 4. 三维Gabor滤波器卷积核

Fig. 4. Three-dimensional Gabor filter convolution kernel

下载图片查看原文

图 5. 最优Gabor卷积核组的训练流程

Fig. 5. Training process for optimal Gabor convolution kernel group

下载图片查看原文

图 6. 基于时间感知特征映射的移动视频目标检测框架

Fig. 6. Mobile video target detection framework based on time-aware feature mapping

下载图片查看原文

图 7. 模型在处理视频输入和输出示意图

Fig. 7. Model processing video input and output schematics

下载图片查看原文

图 8. M4模型检测结果示例

Fig. 8. Example of M4 model detection results

下载图片查看原文

表 1各模型识别和检测效果比较

Table1. Comparison of model identification and detection effects

Model	Dataset	AP /%			mAP /%	P_f /%	P_m /%	P_d /%	P_e /%
Model	Dataset				mAP /%	P_f /%	Person	Car	Cyclist
M0	KITTI	73.36	71.53	65.32	70.07	20.21	19.34	41.32	19.13
	WD	71.59	69.63	62.75	67.99	19.25	21.38	38.83	20.54
M1	KITTI	87.53	82.16	78.28	82.66	16.48	17.91	57.38	8.23
	WD	85.64	80.59	74.34	80.19	18.95	19.28	51.42	10.35
M2	KITTI	77.18	72.35	68.69	72.74	12.31	13.29	57.84	16.56
	WD	73.52	70.45	64.83	69.61	15.17	14.49	52.45	17.89
M3	KITTI	88.42	81.73	74.38	81.51	9.53	11.69	64.25	14.53
	WD	74.92	72.34	65.63	70.96	16.24	15.19	51.16	17.41
M4	KITTI	92.42	92.23	90.85	91.83	5.19	7.13	81.47	6.21
	WD	88.46	87.38	83.24	86.36	8.26	11.27	71.05	9.42

查看原文

表 2不同算法检测和识别效果比较

Table2. Comparison of detection and recognition with different algorithms

Method	Dataset	AP /%			mAP /%	P_d /%	FPS /(frame·s^-1)
Method	Dataset				Person	Car	Cyclist
Faster R-CNN	KITTI	83.26	74.13	75.42	77.61	45.22	13.15
	WD	81.49	71.33	68.65	73.82	36.63	11.64
DSOD300	KITTI	77.43	72.26	68.38	72.69	58.68	58.23
	WD	70.73	69.39	67.04	69.05	52.32	50.35
DSSD513	KITTI	75.46	69.53	68.34	71.11	59.42	46.34
	WD	72.19	68.83	66.45	69.16	49.79	39.38
YOLOv2 544	KITTI	79.43	71.25	67.32	72.66	60.82	56.74
	WD	73.29	69.63	68.85	70.59	54.86	49.28
M4	KITTI	92.42	92.23	90.85	91.83	81.47	31.86
	WD	88.46	87.38	83.24	86.36	71.05	19.83

查看原文

华夏, 王新晴, 王东, 马昭烨, 邵发明. 基于改进SSD的交通大场景多目标检测[J]. 光学学报, 2018, 38(12): 1215003. Xia Hua, Xinqing Wang, Dong Wang, Zhaoye Ma, Faming Shao. Multi-Objective Detection of Traffic Scenes Based on Improved SSD[J]. Acta Optica Sinica, 2018, 38(12): 1215003.

基于改进SSD的交通大场景多目标检测下载： 1646次

图 1. 改进后检测算法整体框架

Fig. 1. Improved detection algorithm overall framework

图 2. CNN模型提取各级特征卷积核示例

Fig. 2. Example of CNN model extracting feature convolution kernels at various levels

图 3. 二维Gabor滤波器卷积核

Fig. 3. Two-dimensional Gabor filter convolution kernel

图 4. 三维Gabor滤波器卷积核

Fig. 4. Three-dimensional Gabor filter convolution kernel

图 5. 最优Gabor卷积核组的训练流程

Fig. 5. Training process for optimal Gabor convolution kernel group

图 6. 基于时间感知特征映射的移动视频目标检测框架

Fig. 6. Mobile video target detection framework based on time-aware feature mapping

图 7. 模型在处理视频输入和输出示意图

Fig. 7. Model processing video input and output schematics

图 8. M4模型检测结果示例

Fig. 8. Example of M4 model detection results

表 1各模型识别和检测效果比较

Table1. Comparison of model identification and detection effects

表 2不同算法检测和识别效果比较

Table2. Comparison of detection and recognition with different algorithms

关于本站 Cookie 的使用提示

全站搜索

基于改进SSD的交通大场景多目标检测 下载： 1646次

图 1. 改进后检测算法整体框架

Fig. 1. Improved detection algorithm overall framework

图 2. CNN模型提取各级特征卷积核示例

Fig. 2. Example of CNN model extracting feature convolution kernels at various levels

图 3. 二维Gabor滤波器卷积核

Fig. 3. Two-dimensional Gabor filter convolution kernel

图 4. 三维Gabor滤波器卷积核

Fig. 4. Three-dimensional Gabor filter convolution kernel

图 5. 最优Gabor卷积核组的训练流程

Fig. 5. Training process for optimal Gabor convolution kernel group

图 6. 基于时间感知特征映射的移动视频目标检测框架

Fig. 6. Mobile video target detection framework based on time-aware feature mapping

图 7. 模型在处理视频输入和输出示意图

Fig. 7. Model processing video input and output schematics

图 8. M4模型检测结果示例

Fig. 8. Example of M4 model detection results

表 1各模型识别和检测效果比较

Table1. Comparison of model identification and detection effects

表 2不同算法检测和识别效果比较

Table2. Comparison of detection and recognition with different algorithms

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于改进SSD的交通大场景多目标检测下载： 1646次