【摘 要】
：
作为车辆的关键标志,车标不易被篡改,对车辆信息的提取有着重要的辅助作用。传统基于手工描述子的车标检测算法存在精度低、速度慢等问题,而基于深度学习的检测算法则难以平衡速度和精度。本文基于卷积神经网络（convolutional neural network,CNN）对车标检测进行研究,在现有目标检测算法的基础上,进行了改进和优化,提出了两种车标检测算法:基于YOLOv3的快速车标检测算法YVLDet
【基金项目】
：
安徽省重点研究和开发计划项目（No:201904d07020010）； 国家自然科学基金青年科学基金项目（No:61906061）；
论文部分内容阅读
作为车辆的关键标志,车标不易被篡改,对车辆信息的提取有着重要的辅助作用。传统基于手工描述子的车标检测算法存在精度低、速度慢等问题,而基于深度学习的检测算法则难以平衡速度和精度。本文基于卷积神经网络（convolutional neural network,CNN）对车标检测进行研究,在现有目标检测算法的基础上,进行了改进和优化,提出了两种车标检测算法:基于YOLOv3的快速车标检测算法YVLDet和基于Center Net的改进车标检测算法CVLDet。基于卡口图像构建的数据集开展实验,实验结果表明,本文提出的车标检测算法在速度和精度上都有一定的提升,更加适用于实际场景中的车标检测任务。本文的主要工作包括以下几个方面:（1）对现有的车标检测方法进行总结和分析:分析了基于传统特征描述子和基于CNN的目标检测方法的优缺点及其在车标检测上的应用,并对基于CNN的目标检测方法中涉及的数据扩充、骨干网络和特征金字塔等方法进行总结。（2）提出一种基于YOLOv3的快速车标检测算法YVLDet:该算法使用深度可分离卷积、空洞卷积以及通道注意力机制构造速度更快的骨干网络结构,结合可变形卷积以及转置卷积设计更有效的上采样策略,使用骨干网络中更浅层特征加强检测分支的空间特征,让检测的特征图包含丰富的空间特征信息。最后结合YOLOv3的检测模块,使用两个不同尺度的检测分支进行检测。实验结果表明,该方法可以在保持精度的同时大大提升了检测的速度。（3）提出一种基于CenterNet的改进车标检测算法CVLDet:首先针对数据集中车标数目少的缺点,提出一种高效的数据扩充方法以提高网络的学习能力。其次,拓展Res Net-18的网络宽度,融合浅层次网络特征以增加检测分支的空间信息。最后将输入的图像融入深层次网络,减少深层次网络特征的抽象性,使检测特征图的空间信息更加丰富。实验结果表明,该方法可以在保证车标检测速度的同时提高准确率。
其他文献
目标检测是计算机视觉领域里一项十分重要的任务,在交通、医疗、国防等领域有广泛的应用。深度学习的引入使得目标检测算法获得了巨大的进步,目前基于深度学习的目标检测算法在精确度与速度上已经大幅超越传统算法,成为本领域的主流。本文针对目标检测算法所存在的一些困难,在经典的一阶段目标检测算法SSD的基础之上,进行了一系列的研究工作。本文的主要内容如下:目标检测任务是一种多尺度的任务,使用来自网络中不同深度的
由于时代的进步,遥感领域的科研技术也逐渐成熟,人类通过各类遥感卫星获取大量影像数据变得轻而易举。其中合成孔径雷达（Synthetic Aperture Radar,SAR）和可见光影像应用领域非常之广,尽管两者间灰度值区别很大,可它们均有自身的特性。可见光影像成像机理为光反射成像,依赖光源,所以该影像具备大量的光谱信息与细节信息,直观效果很好。SAR影像的成像机理为主动微波式成像,对桥梁、房屋等建
目标检测能够快速地从图片或视频中捕捉到感兴趣的目标,并输出目标的种类和目标的位置。作为计算机视觉的重要分支,它是人脸识别、目标跟踪等算法的基础性算法,一直是计算机视觉领域研究的热点。随着目标检测的技术的成熟,它的应用已经普及到生产和生活的许多领域,如交通、医疗、安防等领域。现如今,得益于GPU计算能力不断的提升和深度学习的快速发展,深度学习方法的优越性在许多领域得到体现。计算机视觉领域因深度学习的
高光谱图像包含大量的光谱波段,它是一种同时结合光谱信息和空间信息的三维图像数据。在现实生活中,高光谱图像可以应用到许多领域。例如:在农产品的检测中有助于种类识别;对地表建筑物的分类有助于城市管理;对病理图像的识别可用于疾病监控;对军事地图的分类能应用于国防建设。因此提出新颖高效的高光谱图像分类方法能够在众多领域中发挥重要的作用。为了提升高光谱图像分类的精确性,需要解决其高维度和样本少的困难。而深度
随着自然语言处理技术的不断发展,人们开始利用神经网络搭建人和机器之间的沟通桥梁—情感分析。已有的方法已经无法满足精细化分类的需求,研究者们开始追求细粒度更高的方面级情感分析技术,但是分析结果的准确度和时间成本一直以来都差强人意。本文针对方面级情感分析存在的一系列问题展开相关研究,本文的主要工作内容如下:（1）本文提出一种基于层次神经网络的方面级情感分析模型,利用双向LSTM对文本信息进行处理,同时
同时定位与建图（Simultaneous Localization and Mapping,SLAM）指的是机器人在未知环境中利用自身搭载的传感器,在运动过程中通过观察到的环境信息对自身位置和姿态进行定位,并同时构建周围环境的地图。SLAM在自动驾驶、避障导航、服务机器人等方面有着广泛的应用,是智能机器人应用的核心关键技术。目前视觉SLAM研究多数假定环境是静态的,使得SLAM算法无法处理复杂多变
同时定位与建图（Simultaneous Localization and Mapping,SLAM）是移动机器人领域的关键技术之一。已经成熟的视觉SLAM算法大多假设场景是静态的,当场景中存在运动物体时会干扰特征匹配,进而对SLAM系统的定位以及建图的精度造成较大影响。所以在动态环境下,SLAM算法需要识别出场景中的运动物体。本文设计视觉SLAM算法,提升算法在动态环境下的定位精度,并生成动态环
随着空域环境的日益拥挤,针对海量的飞行目标航迹数据进行航迹起始和识别的研究,有助于深度认知空域态势,从而为空域监管提供有效支持。雷达作为获取飞行目标航迹数据的主要手段之一,在航迹起始和识别的研究中发挥着不可比拟的作用。然而,传统的雷达目标航迹起始和识别算法已经难以应对当前多样化、复杂化、大数据化的雷达探测环境。本文基于深度学习技术,分别进行了雷达目标航迹起始和识别研究。主要研究内容如下:（1）提出
因果关系是一类具有明确导向的关系类型,尤其在健康领域具有更多的实际应用价值,比如分析疾病的致病因素等。目前,很多生物医学文献都包含因果关系知识,这部分因果关系值得被挖掘。为此,本文设计开发了一个面向健康领域的因果关系图构建系统,提取相关生物医学文献中的因果关系,并整合不同数据源,构建因果关系图,旨在帮助健康领域的从业人员决策判断,归因分析等。本文工作分为以下两部分:（1）提出了基于循环神经网络的因
阵列天线方向图综合是阵列信号处理领域的重要研究方向之一,具有重要应用意义。其主要目的在于确定阵列天线的激励系数、阵元数目和位置等参数,使阵列天线的辐射特性满足期望的指标要求。然而,在很多实际应用场景下,为了节约成本简化阵列馈电网络设计复杂度,希望通过唯相位方向图综合的方式实现期望辐射特性,这种方法只使用移相器实现波束控制,能够实现阵列馈电网络的一致性。本文主要研究大型阵列天线的唯相位方向图综合的相