论文部分内容阅读
交通标志识别是智能驾驶领域中一个重要研究方向。为车辆驾驶员准确、快速的提供前方道路交通标志信息,将有助于降低交通事故发生率,提高城市道路交通运行效率。近年来,人工智能技术发展迅速,以卷积神经网络为代表的深度学习算法在目标识别领域取得一定进展,目标识别准确率比较高,检测性能稳定。所以,本文选择卷积神经网络算法中代表性的YOLOv3研究交通标志识别问题。主要工作内容如下:
首先,比较详细的分析了卷积神经网络算法的基本原理和模型训练使用的相关技术,具体包括神经网络模型、卷积操作、梯度下降算法、随机失活以及典型的卷积神经网络R-CNN和YOLO算法原理。
其次,对基于YOLOv3的交通标志识别方法进行研究,选取了TT100k中文交通标志数据集。鉴于YOLOv3不能充分提取图像浅层特征信息,从而影响识别小尺寸交通标志目标,对YOLOv3模型进行改进,提出改进模型YOLOV3-improve,增加1*1卷积层以及使用4倍降采样特征图预测目标信息。由于训练样本中存在正负样本不均衡问题,在YOLOV3-improve的损失函数中使用了Focalloss交叉熵函数,以进一步改善模型分类能力。实验结果表明,在识别小尺寸交通标志时,YOLOv3-improve模型的平均精度(mAP)比YOLOv3提高了3.7%,说明YOLOv3的改进结构提高了模型对小尺寸交通标志的分类能力。在YOLOv3-improve中使用Focalloss函数后,模型的mAP值又提高了1.7%,表明Focalloss函数有一定的效果。
最后,对模型推理加速方法进行研究,分析融合BN层和卷积层的原理,并对YOLOv3-improve+Focalloss模型进行了融合BN层实验,实验结果表明,检测单幅图像时,融合BN层后的YOLOv3-improve+Focalloss时间提高了0.02s。
首先,比较详细的分析了卷积神经网络算法的基本原理和模型训练使用的相关技术,具体包括神经网络模型、卷积操作、梯度下降算法、随机失活以及典型的卷积神经网络R-CNN和YOLO算法原理。
其次,对基于YOLOv3的交通标志识别方法进行研究,选取了TT100k中文交通标志数据集。鉴于YOLOv3不能充分提取图像浅层特征信息,从而影响识别小尺寸交通标志目标,对YOLOv3模型进行改进,提出改进模型YOLOV3-improve,增加1*1卷积层以及使用4倍降采样特征图预测目标信息。由于训练样本中存在正负样本不均衡问题,在YOLOV3-improve的损失函数中使用了Focalloss交叉熵函数,以进一步改善模型分类能力。实验结果表明,在识别小尺寸交通标志时,YOLOv3-improve模型的平均精度(mAP)比YOLOv3提高了3.7%,说明YOLOv3的改进结构提高了模型对小尺寸交通标志的分类能力。在YOLOv3-improve中使用Focalloss函数后,模型的mAP值又提高了1.7%,表明Focalloss函数有一定的效果。
最后,对模型推理加速方法进行研究,分析融合BN层和卷积层的原理,并对YOLOv3-improve+Focalloss模型进行了融合BN层实验,实验结果表明,检测单幅图像时,融合BN层后的YOLOv3-improve+Focalloss时间提高了0.02s。