论文部分内容阅读
近年来,随着计算机视觉领域的快速发展,卷积神经网络(Convolutional Neural Network,CNN)已经广泛的应用在自然语言处理、医学图像理解等领域中。图像目标检测作为计算机视觉的基础任务之一,在无人驾驶、人脸识别、场景理解等领域有重要的研究意义。轻量化卷积神经网络(Lightweight Convolutional Neural Network)是面向应用的CNN网络架构设计,是各类计算机视觉任务应用在低功耗设备上的研究基础。本文基于密集连接网络高效的特征提取能力和深度可分离卷积的轻量化结构,首先提出了密集连接的轻量化特征提取网络CED-Net(Channel Enhanced Dense Connection Network);然后,提出了密集特征金字塔结构融合浅层和深层的特征图;最后,结合两者的优点,设计了轻量化目标检测模型CED-Det(CED-Net for Object Detection)。本文的主要工作概括如下:首先,提出基于密集连接的轻量化卷积神经网络CED-Net。通过分析卷积层的原理及其轻量化架构,设计了基于深度可分离卷积核的瓶颈层卷积模块和下采样模块。为了改进深度可分离卷积带来的特征信息损失的问题,通过由挤压-激励块构成的通道增强模块对网络的中间特征图通道进行增强,提高特征信息的表达能力。在此基础之上,设计了轻量化的卷积神经网络的架构CED-Net。该模型在CIFAR和ImageNet数据集上表现了较好的图像分类结果,与其它卷积神经网络相比,其推理速度方面表现的更好。然后,提出了密集特征金字塔网络以及轻量化目标检测模型CED-Det。密集特征金字塔网络可以通过融合浅层与深层特征,增加网络输出特征图的表征信息。以SSD为基础,结合CED-Net和密集特征金字塔网络设计了轻量化目标检测模型CED-Det。该模型首先由CED-Net进行特征提取,然后通过堆叠两层的密集金字塔网络进行特征融合,最后融合之后的特征图分别通过两个3×3卷积进行分类预测和位置预测。CED-Det在VOC和COCO数据集上的实验结果表明,与其它目标检测模型相比,CED-Det在精度、推理速度以及参数总量上更适用于嵌入式平台。最后,设计了基于轻量化目标检测模型的车道停止线跟踪系统。将目标检测任务在无人驾驶场景中进行应用,以实际车辆在城市道路中采集的图像数据为数据集,训练本文提出的CED-Det模型对车道停止线进行检测,通过SORT目标跟踪算法实现连续视频帧中的停止线跟踪。该论文有图34幅,表8个,参考文献107篇。