自动驾驶场景通标志检测.pptx

自动驾驶场景中的交通标志检测GDUT_Sign主讲人：李保俊

团队成员李保俊黄鸿胜刘舜杨俊杰刘思扬

大纲赛题分析研究现状数据处理神经网络设计创新点应用场景

4/23赛题分析图像分辨率大、小目标多、标志种类多、尺度变化大、目标视角差异大

5/23一.基于RegionProposal的深度学习目标检测算法1.FasterR-CNN(FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks)特点：卷积神经网络直接产生regionproposal,与RCNN融合一体,端到端训练。优点：小目标检测效果较好；缺点：速度较慢。2.R-FCN(R-FCN:ObjectDetectionviaRegion-basedFullyConvolutionalNetworks)特点：全卷积检测，位置敏感分数图实现分类与检测。优点：速度较快，小目标检测效果好。二.基于回归方法的深度学习目标检测算法1.YOLO(YouOnlyLookOnce:Unified,Real-TimeObjectDetection)特点：将图像划分成7*7的网格，对每个网格直接回归预测。优点：速度快；缺点：小目标检测效果非常差。2.SSD(SSD:SingleShotMultiBoxDetector)特点：结合YOLO的回归思想与FasterRCNN的anchor机制。优点：速度快；缺点：小目标检测效果差。基于深度学习的目标检测算法

6/23自动驾驶场景中的交通标志检测基本问题：如何较好检测小目标？解决思路：1.图像数据处理图像裁剪图像伸缩2.神经网络设计FasterRCNNR-FCN

7/23数据处理-裁剪裁剪后的图像可适当放大，利于精确检测小目标。

8/23数据处理-伸缩x1.2x1.2x0.8x0.8增加视角差异的样本，利用提高分类性能。

9/23神经网络设计ConvStack1ConvStack2ConvStack3ConvStack4ConvStack5InputimageBaseModel:FasterRCNN,mAP=0.49ClassFCBboxFCsROIPoolingLayerRPNFastRCNNMaxpoolingMaxpoolingMaxpoolingMaxpoolingConv5_3BaseModelLossLoss

10/23神经网络设计Model1:减小stride（去除pool4）Model1ConvStack1ConvStack2ConvStack3ConvStack4ConvStack5InputimageFCsROIPoolingLayerRPNFastRCNNMaxpoolingMaxpoolingMaxpoolingConv5_3ClassFCBboxLossLoss

11/23神经网络设计Model1:参数调整①原图输入，anchor:base_size=16，ratio=[0.5,1,2]，scales=[4,8,16,32,64]②在①的基础上，base_size=12，调整最小候选目标大小③在②的基础上，ratio=[0.2,0.32,0.5,0.75,1,2,4]，丰富候选目标比例范围④在③的基础上，裁剪图像放大输入，放大了目标⑤在④的基础上，RPN保留更多proposals，增大RPN正样本IoU阈值0.8(0.7)，增大RPN负样本IoU阈值0.5(0.3)，减小RPN_NMS_THESH=0.5(0.7)⑥在⑤的基础上，提高TRAIN.BG_THRESH_LO=0.25(0.1)⑦在⑥的基础上，调整正负样本比例：1:5(1:3)⑧在⑦的基础上，增大weight_decay=0.001(0.0005)，防止过拟合⑨在⑧的基础上，增大测试时的NMS=0.3(0.15)，保留更多检测框更好学习困难负样本

12/23神经网络设计

13/23神经网络设计Model2:①结合ROI的上下文区域(Contextregion)，mAP:0.6466,+1.34%②采用OnlineHardExampleMining策略，mAP:0.66182,+1.522%Model2ConvStack1ConvStack2ConvStack3ConvStack4ConvStack5InputimageMaxpoolingMaxpoolingMaxpoolingROIPoolinglayerRPNBox*2.5ROIPoo