传统的应用于智能驾驶的目标检测算法,大多采用两阶段检测算法,配合后续的跟踪以及推理策略,可以保证较高的检测精度。这类算法具有性能稳定的优势,但计算速度较慢,且具有较高的存储需求,因此对硬件的需求以及内存空间的要求很高,难以实现量产。对于智能汽车目标检测来说,为了达到实际应用的需求,在设计网络时,不仅仅要考虑精度,还要考虑它的推理时间以及参数量。因此,平衡智能汽车目标检测的速度与精度,在保证检测精度的前提下尽可能的提升速度,是一个十分值得研究的课题。针对上述问题,本文开展了基于轻量级神经网络的智能汽车目标检测研究,主要研究内容如下:(1)目标检测算法概述首先,分析了常用的目标检测算法原理,包括:传统的目标检测算法、两阶段目标检测算法以及单阶段目标检测算法;其次,论述了目标检测算法的评价指标;接着,详细分析了神经网络的基础——神经元模型的数学原理以及卷积神经网络的一些基本结构,包括:卷积层、池化层、全连接层以及常用的激活函数;最后,介绍了四种损失函数、神经网络的训练以及正则化。包括:L1和L2正则化、Dropout以及批标准化(Batch Normalization)。(2)基于改进YOLOv3的道路场景目标检测对YOLOv3目标检测算法进行了改进,旨在提高检测精度,使其适合道路场景。首先,YOLOv3需要手工设定锚框的尺寸,本文重新定义距离公式,替换原来的Io U(Intersection over Union)为GIo U(Generalized Intersection over Union),对BDD100K数据集进行K均值聚类以得到适合道路场景的锚框尺寸;其次,在数据增强部分引入Cut Mix,即,在训练图像之间进行剪切和粘贴,其中标签也成比例地进行混合。同时,改进特征融合部分,使其融合更浅层的特征,来提高对小目标的检测精度;最后,详细分析对比实验的结果,结果表明:采用以上手段,YOLOv3算法的检测精度提高了6.2个百分点,对于小目标提高更明显,平均提高了13个百分点。该模型将成为知识蒸馏中的教师网络。(3)基于轻量级神经网络的道路场景目标检测对检测精度较高的改进YOLOv3网络进行轻量化,以提高推理速度,减少内存占用。首先,借鉴YOLOF(You Only Look One-level Feature)的思想,对已得到的改进YOLOv3网络进行结构上的轻量化处理。YOLOv3是同时在三个特征图上进行分类和回归,而本文将利用空洞卷积将所有语义信息集合在一个特征图上,只在该特征图上检测就可以达到甚至超越YOLOv3的检测效果;其次,在训练时将采取知识蒸馏的训练方法,将改进的YOLOv3网络作为教师网络,轻量化网络作为学生网络。该方法可以进一步提高轻量级模型的检测效果;最后,采用消融实验的方式,对以上方法进行对比以及分析。测试结果表明:通过以上方式得到的模型,m AP(mean Average Precision)值会比原始的YOLOv3高12个百分点,fps(frames per second)为原始YOLOv3的3倍。因此可以得出结论,本文模型的精度以及速度都要优于YOLOv3。同时,本文也将最终得到的模型与经典的单阶段、两阶段以及最新的目标检测算法进行了对比,本文模型的精度与速度均优于经典模型,对于最新的检测算法,本文模型的精度略低,但检测速度更高,达到了速度与精度的平衡。
暂无评论