分享
基于改进YOLOX-S的交通标志识别_刘凯.pdf
下载文档

ID:2373361

大小:2.99MB

页数:8页

格式:PDF

时间:2023-05-10

收藏 分享赚钱
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
基于 改进 YOLOX 交通标志 识别 刘凯
电 子 测 量 技 术E L E C T R ON I CME A S UR EME N TT E CHNO L OG Y第4 6卷 第1期2 0 2 3年1月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 1 0 3 5 7基于改进Y O L O X-S的交通标志识别刘 凯 罗素云(上海工程技术大学机械与汽车工程学院 上海2 0 1 6 0 0)摘 要:交通标志是车辆在规范行驶过程中的一个重要指导,交通标志识别是无人驾驶汽车环境感知中必不可少的重要内容。本文基于YO L OX-S算法进行改进,通过在主干网络末端添加C B AM注意力机制模块,强化特征提取网络所得到的特征;使用F o c a lL o s s函数,更好地消除正负样本不均衡问题,挖掘难例样本;使用G I OU损失函数,解决了原损失函数存在的优化不一致和尺度敏感的问题,进一步提高模型的识别准确率。本文基于T T 1 0 0 K数据集对提出算法进行了实验,对比了几种主流算法与本文算法的识别精度,实验结果表明在具有较高F P S的前提下,本文算法对大部分目标类别的检测精度都有所提升。相较于YO L O X-S模型,所提模型的c o c o精度评价指标mA P_5 0提升1.9%,mA P_5 0:9 5提升2.1%,F P S为3 5.6。证明了所做改进的有效性。关键词:C B AM注意力机制;F o c a lL o s s;YO L O X-S;G I OU中图分类号:T P 3 9 1.4 文献标识码:A 国家标准学科分类代码:5 1 0.8 0 2 0T r a f f i c s i g nr e c o g n i t i o nb a s e do ni m p r o v e dY O L O X-SL i uK a i L u oS u y u n(C o l l e g eo fM e c h a n i c a l a n dA u t o m o t i v eE n g i n e e r i n g,S h a n g h a iU n i v e r s i t yo fE n g i n e e r i n ga n dT e c h n o l o g y,S h a n g h a i 2 0 1 6 0 0,C h i n a)A b s t r a c t:T r a f f i cs i g n i sa n i m p o r t a n tg u i d e f o rv e h i c l e s i nt h ep r o c e s so f s t a n d a r d i z e dd r i v i n g.T r a f f i cs i g nr e c o g n i t i o ni sa ne s s e n t i a la n di m p o r t a n tc o n t e n ti nt h ee n v i r o n m e n t a lp e r c e p t i o no fd r i v e r l e s sv e h i c l e s.B a s e do n YO L O X-Sa l g o r i t h m,t h i sp a p e r s t r e n g t h e n s t h e f e a t u r e so b t a i n e d f r o mt h e f e a t u r ee x t r a c t i o nn e t w o r kb ya d d i n gC B AMa t t e n t i o nm e c h a n i s m m o d u l ea t t h ee n do f t h eb a c k b o n en e t w o r k.U t i l i z e sF o c a lL o s sf u n c t i o nt ob e t t e re l i m i n a t et h e i m b a l a n c eb e t w e e np o s i t i v ea n dn e g a t i v es a m p l e sa n df o c u s e so ns a m p l e sd i f f i c u l t t oc l a s s i f y.U s i n gt h eG I OUL o s s f u n c t i o n,t h ep r o b l e m so f i n c o n s i s t e n to p t i m i z a t i o na n ds c a l es e n s i t i v i t yo f t h eo r i g i n a l l o s sf u n c t i o na r es o l v e d,a n dt h er e c o g n i t i o na c c u r a c yo f t h em o d e l i s f u r t h e r i m p r o v e d.I nt h i sp a p e r,t h ep r o p o s e da l g o r i t h mi s t e s t e db a s e do nT T 1 0 0 kd a t as e t,a n dt h er e c o g n i t i o ne f f e c t sa r ec o m p a r e dw i t hw h i c ho f s e v e r a lm a i n s t r e a ma l g o r i t h m s.E x p e r i m e n t a l r e s u l t ss h o wt h a tu n d e r t h ep r e m i s eo fh i g hF P S,t h ed e t e c t i o na c c u r a c yo fm o s tt a r g e tc a t e g o r i e si si m p r o v e d.C o m p a r e d w i t ht h eYO L OX-Sm o d e l,t h ec o c oa c c u r a c ye v a l u a t i o n i n d e xM a p_5 0o f t h ep r o p o s e dm o d e l i n c r e a s e db y1.9%,M a p_5 0:9 5i n c r e a s e db y2.1%,a n dF P Si s3 5.6.T h ee f f e c t i v e n e s so f t h e i m p r o v e m e n t i sp r o v e d.K e y w o r d s:C B AMa t t e n t i o nm e c h a n i s m;F o c a lL o s s;YO L O X-S;G I OU 收稿日期:2 0 2 2-0 6-1 70 引 言 交通标志的检测和识别是现代智能交通系统中不可或缺的一环,也是无人驾驶技术中重要的组成部分。交通标志识别就是通计算机视觉技术将检测的结果反馈给驾驶员或无人驾驶系统。目前学术界和工业界应用最广的方法是基于深度学习对交通标志进行识别。该方法的优点在于卷积网络提取的特征层级深、信息量大、成本低、易于部署等,因此使用深度学习进行交通标志识别已经成为无人驾驶感知的研究热点。交通标志识别是目标识别的领域之一。基于深度学习的目标识别 按 阶 段 主要 分 为 两 类,具 体 为 单 阶 段(o n e-s t a g e)算法和两阶段(t w o-s t a g e)算法。两阶段目标识别算法中具有代表性的有R-C NN1、F a s tR-C NN2、F a s t e rR-C NN等,王国林3使用F a s t e rR-C NN4模型进行交通标志识别,陈朋弟等5提出基于M a s kR-C NN6提升推理精度做路面交通标志识别。但由于两阶段算法不能很好平衡推理速度与精度的关系,在高速行驶过程中的车辆进行实时检测的情况下并不适用。相较而言,单阶段目标检测算法运行速度快,准确度较高,更符合车辆行驶过程中的实际需求,经典算法有YO L O系列算法和S S D算法。江金洪211刘 凯 等:基于改进YO L O X-S的交通标志识别第1期等7将深度可分离卷积引入YO L O v 38的算法的特征提取层,实现通道内卷积与通道间卷积之间的分离,从而极大地降低了用来检测交通标志模型的参数量和计算量。王子键9通过基于S S D1 0的方法提出了一种基于距离因素的自适应负采样方法提高模型精度用于检测类似交通标志小目标物体,王文胜等1 1使S h u f f l e n e t V 21 2的基础单元替换主 干 后 的 轻YO L OV 5网 络,并 引 入 轻 量 级 网 络P e l e e n e t1 3中的S t e m模块,实现快速行驶中对与交通标识的实时检测,王泽华等1 4利使用空间注意力集中(s p a t i a la t t e n t i o np o o l i n g,S A P)模块对YO L O v 41 5进行改进,再使用M o b i l e n e t1 6轻量化网络,从而实现降低模型大小、提升检测速率的目标。以上方法说明利用计算机视觉识别技术对交通标志进行快速准确识别的可行性,并且其可靠性较高,但是无论是YO L O还是S S D,其算法本身都是一种A n c h o r-b a s e d算法,对 于 输 入 的 一 张 图 像,会 生 成 数 百 上 千 的A n c h o rb o x e s,其中只有很少一部分是包含真实目标并被标记为正样本,大量的负样本也分布在图像上,带来了正负样本不均衡的问题。无用的易分反例样本会使得模型的整体学习方向跑偏,导致无效学习并且增加计算量和显存的消耗。针对以上问题,本文在许多优秀学者的基础上提出使用基于A n c h o r-f r e e的YO L O X算法进行在车辆行驶过程中对交通标志牌的检测识别,同时引入卷积块注意模块(c o n v o l u t i o n a l b l o c ka t t e n t i o nm o d u l e,C B AM)注意力机制强化主干提取到的特征,并使用F o c a lL o s s消除正负样本不均衡问题,挖掘难例样本,最后利用并集上的广义交集(g e n e r a l i z e d i n t e r s e c t i o no v e ru n i o n,G I OU)损失函数更好地反映预测框与真实框的重合度,解决了原损失函数存在的尺度敏感问题。实验在网上公开T T 1 0 0 K数据集上进行测试,并与YO L O经典视觉算法进行比较。1 相关算法及相关改进1.1 Y O L O X-S算法 YO L O X是旷视科技研究院2 0 2 1年提出的高性能检测器,目 前 其 模 型 权 重 文 件 一 直 在 持 续 优 化 更 新 中,YO L O X在YO L O v 3的基础上使用C S P D a r k n e t 5 3特征提取主干网络,引入YO L O v 5的F o c u s通道增广技术,创新性地加入解耦头D e c o u p l e dh e a d和动态正样本匹配方法S i mOT A,运用M o s a i c和M i x u p进行数据增强。YO L O X系列包括YO L O X-S、YO L O X-M、YO L O X-L、YO L O X-X、YO L O X-D a r k n e t 5 3,并 提 出 两 种

此文档下载收益归作者所有

下载文档
你可能关注的文档
收起
展开