- 1、本文档共12页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
物体检测方法调研
•传统物体检测方法性能不及CNN的方法,不予考虑
•物体检测框架:
•FasterRCNN,RFCN等基于regionproposal的方法
•YOLO,DenseBox,SSD等singleshot的方法
•CNN网络模型:
•VGG16
•Resnet
•Inception系列网络框架
•Inception-Resnet系列网络
•研究人员对几种经典网络和物体检测框架进行过仔细比较
•SSD很快,但性能不及FasterRCNN
•Inception-ResnetV2是目前最为有效的网络
交通标志检测的性
•训练数据中,目标物体大小动态范围很广
•中、小物体占比比较高(~70%1000)
•训练数据中,大物体标注噪声小,中、小物体标注噪声大(漏标,标注不一致)
•中、小物体本身不易识别,噪声大的情况下越是性能好的网络越不好训练
现有网络模型都是基于深度卷积神经网络框架,面积太小的物体最后在feature
map上的体现就十分微弱,直接使用现在的模型将不利于小物体的检测
由于数据噪声比较大,直接使用现在的模型,对其进行训练将比较难训练好网络
单纯看分类的任务的话,神经网络分类器有改进的空间
我们的解决方案
•针对难识别的中、小目标物体比较多,检测难度大:
•改进网络模型,增加Deconvolution层
➢提高中、小目标的featuremap分辨率
➢根据经验,加入deconv小目标物体检测mAP可以改善*
•调整神经网络的输入,减小等效stride
➢从720p的中随机截取640x360的小块,放大至1280x720进行训练
•针对训练数据标注噪声比较大:
•提出类半监督学习的训练方法
➢部分去除标注噪声的干扰
•针对中小物体本身比较难分类:
•使用梯度提升决策树(GBDT)取代神经网络的分类器
➢弥补神经网络分类效果不是最优的
*本次没有实际实验对比,车辆检测,加入deconv的mAP可以提高4~5个点
网络模型概览
•基于FasterRCNN物体检测网络框架
RoIProposals
bbox分类网络
Stride8RPN
VGGFeat.
RoI
Conv4_3MapGBDT分类器
Pooling
UpSampled
Deconv
Feat.Map
bbox定位网络
Stride4
图例:蓝
文档评论(0)