【论文笔记】基于改进级联卷积神经网络的交通标志识别

最新推荐文章于 2022-06-12 20:06:30 发布
原创 最新推荐文章于 2022-06-12 20:06:30 发布 · 741 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

该研究针对交通标志检测，结合FPN模块优化级联卷积神经网络，将深层特征信息融入浅层，提升特征融合效果。通过引入GIoU作为评价指标，改善了目标检测的定位精度，实验结果在GTSDB数据集上的mAP达到98.8%。此外，论文还对比了不同目标检测模型如YOLOv3、SSD、Faster-RCNN等。
部署运行你感兴趣的模型镜像

基于改进级联卷积神经网络的交通标志识别

摘要：首先，针对交通标志这类小目标特殊任务，将FPN模块的深层特征信息融合进浅层特征层。其次，改进了目标检测任务中的评价指标IoU，引入了目标检测任务的直接评价指标GIoU指导定位任务，提高了检测精度。GTSDB的mAP达98.8%。

存疑：
0.改进级联它是咋级联的？ （图二给出答案）
1.将FPN模块的深层特征信息融合进浅层特征层（FPN是啥？ ***（图三给出答案）***Faster-RCNN那个？ （不对，那是RPN）深层特征信息融合进浅层特征层这又是啥？ （大致是将顶层特征信息和底层特征信息融合））
2.GIoU为啥能提高检测精度？ （IOU有问题，GIOU列了一大堆算式，说明他很顶）

图一：Faster-RCNN结构示意图
在这里插入图片描述
图二：级联RCNN示意图
在这里插入图片描述
图三：FPN网络示意结构图在这里插入图片描述
图三这里存疑，不是很明白他是什么意思，下面两幅图是他作出的解释。看来需要去了解下图特征图像金字塔先。
在这里插入图片描述
在这里插入图片描述
论文中觉得，IOU作为定位回归的损失函数，存在以下问题，且其作为评价指标不是很合适，于是提出了GIOU，是将其作为代价函数以提高模型的定位能力。其实就相当于自己设置了一个Loss，给出了这个loss是怎么计算的，也给出了结果表明这个loss更好。
在这里插入图片描述
在这里插入图片描述
论文中值得学习的地方：前言部分到时候要这样写，简洁明了，然后对应的论文也要查来看看，单阶段：YOLOv3，SSD,Retinnnet，双阶段：RCNN，RFCN，Faster-RCNN，Cascade-RCNN。
在这里插入图片描述
在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

基于卷积神经网络的物体识别研究与实现（论文笔记）
leceall的博客
02-27 1万+
2018-02-27 lecea paper大讲堂 作者：杨眷玉 电子科大 专业硕士 2013 Research and Implementation of Object Detection Based On Convolutional Neural Networks 摘要 物体识别是计算机视觉中的一个研究方向，也是当前比较热门的研究领域。在人们的需求不断增长的今天，物体识别在安全、科技...
Object Detection in 20 Years A Survey 论文阅读笔记
weixin_43422466的博客
04-16 2659
1.Introduction 作为计算机视觉的基本问题之一，目标检测构成了许多其他计算机视觉任务的基础，例如实例分割，图像捕获，对象跟踪等。从应用的角度来看，目标检测可分为两个研究主题“general object detection”和“detection applications”，前者旨在探索在统一框架下检测不同类型目标的方法，以模拟人类的视觉和认知，后一种指的是特定应用场景下的检测，例如行...
基于改进深度卷积神经网络的交通标志识别
02-06
在实际交通环境中, 所采集到的交通标志图像质量往往受到运动模糊、背景干扰、天气条件以及拍摄视角等因素的影响, 这对交通标志自动识别的准确性、实时性和稳健性提出了很大的挑战。为此提出了改进深度卷积神经网络AlexNet的分类识别算法模型, 该模型在传统AlexNet模型基础上, 以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象, 将所有卷积层的卷积核修改为3×3大小, 为了预防和减少过拟合的出现在两个全连接层后加入dropout层, 并且为了提高交通标志识别精度, 在网络模型第5层后增加两层卷积层。实验结果表明, 改进后AlexNet模型在交通标志识别方面具有一定的先进性和稳健性。
研究论文-基于卷积神经网络和多类SVM的交通标志识别.pdf
08-07
为了实现在复杂环境下具有较高准确率的交通标志识别以及在小样本情况下也能良好工作的识别网络，提出一种基于卷积神经网络和多类SVM的交通标志识别模型。此模型不需人工设计特征提取算法，且在小样本训练集上也能训练出具有较高准确率的分类模型。除此之外，利用迁移学习策略，避免重新初始化卷积神经网络，在节省大量样本与训练时间的同时能有效避免过拟合的发生。实验结果表明，提出的分类模型在小样本训练集上进行训练后得到的模型在实际测试中有较好的表现且对处于复杂背景下和严重畸变的交通标志具有可靠的识别能力和良好分类结果。
Traffic_sign_Classify:CNN卷积神经网络 交通标志识别
05-19
本篇博客tensorflow1.7,整个项目源码： 引言 本次博客将分享Udacity无人驾驶纳米学位的另一个项目，交通标志的识别。 本次项目实现主要采用CNN卷积神经网络，具体的网络结构参考Lecun提出的LeNet结构。参考文献： 项目流程图 本项目的实现流程如下所示： 代码实现及解释 接下来我们就按照项目流程图来逐块实现,本项目数据集： 如果打不开，则有备用链接： #import important packages/libraries import numpy as np import tensorflow as tf import pickle import matplotlib.pyplot as plt import random import csv from sklearn.utils import shuffle from tensorflow.contrib.laye
卷积神经网络交通标志识别
热门推荐
Mind_programmonkey的博客
06-21 8万+
这节采用德国交通标志数据集实现交通标志识别。本节步骤分为数据导入，探索和可视化数据集，数据预处理，交通标志识别模型搭建。 一、加载数据 # 加载数据 import pickle # 数据集所在的文件位置 training_file = "/content/drive/traffic-signs-data/train.p" validation_file = "/content/drive/tr...
Traffic-Sign Detection and Classification in the Wild 论文笔记
weixin_34072637的博客
05-16 1397
摘要 尽管在交通标志识别和分类领域已经取得了不错的成绩，但是很少有在real world images中同步处理两个tasks的研究。论文有两个特点。一是创建了一个100000张全景的Benchmark,有30000张包含了交通标志。这些图片覆盖了不同光线和天气状况。每个交通标志都被标注了一个label,边框和pixel mask.这个B...
交通标志识别与面部情绪识别的机器学习探索
# 交通标志识别与面部情绪识别的机器学习探索 ## 1. 交通标志识别 ### 1.1 特征提取与分类结果 在交通标志识别任务中，`hog_featurize` 在数据集上取得了不错的效果，准确率略高于 95%。但与一些论文中 99% 以上的...
A Survey of Deep Learning-based Object Detection论文翻译 + 阅读笔记
weixin_43749999的博客
01-11 2422
A Survey of Deep Learning-based Object Detection论文翻译 +阅读笔记 //2022.1.7 日下午16：00开始阅读 双阶段检测器示意图 单阶段检测器示意图 下面是原文中的一些网络组件及结构相关图 上图为：RoIAlign操作。第一步计算特征图中对象的浮点数坐标。下一步利用双线性插值来计算分离箱中四个定期采样位置的特征的精确值。 上图为：四种方法利用特征对不同大小的目标进行预测。(a)使用图像金字塔构建特征...
目标检测：Object Detection with Deep Learning: A Review
WaitFoF
10-06 3521
文章目录1. INTRODUCTION2. A BRIEFOVERVIEW OFDEEPLEARNING3. 通用目标检测A. Region Proposal Based Framework:基于区域提案的框架1） R-CNN2） SPP网络3） Fast R-CNN4) Faster R-CNN5) R-FCN6) FPN7） Mask R-CNN8） 多任务学习、多尺度表示和上下文建模9） 基于深度学习的目标检测思考B. Regression/Classification Based Framework
自动识别交通牌（用不同尺度的CNN实现交通指示牌的识别）
09-23
（不是完整项目，适用于学习）该项目是对Pierre Sermanet 和 Yannn LeCun的论文《Traffic Sign Recognition with Multi-Scale Convolutional Networks》的代码复现。 涉及技术：Pycharm + Keras + Python 3.6 + numpy-1.13.3 + opencv3.3.1等 自己练手写的，注释比较详细，代码管理很烂，凑活看吧。
卷积神经网络CNN（7）—— 限速交通标志分类
Fate_fjh的博客
07-08 8272
1.前言限速交通标志识别在ADAS或者自动驾驶领域中相对基础的范畴，因此限速交通标志识别的要求都是又快又准，同时使用相对简单的方法实现，本文将整个限速交通标志检测与分类的过程以及实现方法。不过实际场景中，会出现限速交通标志容易被阻挡，或是离当前车道很远无法检测出来等问题有待解决，而且都具有一定挑战性。2.限速交通标志分类流程1.交通标志位置与大小检测：使用物体检测的CNN完成，本人使用的是yolo。
基于卷积神经网络 (CNN) 的孟加拉车牌识别
TJMtaotao的博客，高校计算机教师
03-31 6685
近年来，深度学习技术特别是卷积神经网络 (CNN) 在计算机视觉和机器学习领域得到了广泛的应用。这种深度学习技术在 MNIST、CIFAR-10、CIFAR-100、Microsoft COCO 和 ImageNet 等不同基准上的不同分类、分割和检测任务中提供了最先进的精度。然而，近十年来，人们对传统的机器学习方法识别孟加拉车牌进行了大量的研究。由于识别精度较低，这些系统都不能用于为 Bangl...
论文精读：FPN：Feature Pyramid Networks for Object Detection
qq_52053775的博客
06-12 3168
特征金字塔是识别系统中检测不同尺度物体的基本组成部分。但最近的深度学习对象探测器已经避免了金字塔表示，部分原因是它们是计算和内存密集型的。本文利用深度卷积网络固有的多尺度金字塔层次，构造了具有边际额外代价的特征金字塔。开发了一种具有横向连接的上顶体系结构，用于构建所有尺度上的高级语义特征图。这种架构被称为特征金字塔网络(FPN)，作为一个通用的特征提取器，在几个应用程序中显示出了显著的改进。在基本Faster R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，超过了所有现有
基于卷积神经网络的交通标志识别
毕业作品网站
01-17 6560
此项目实现方法通过卷积神经网络（LeNet）算法。
使用卷积神经网络识别交通标志
实验楼--动手做实验，轻松学IT！
03-09 3801
什么是卷积神经网络 以下解释来源于ujjwalkarn的技术博客： 卷积神经网络（ConvNets 或者 CNNs）属于神经网络的范畴，在图像识别和分类领域具有高效的能力。卷积神经网络可以成功识别人脸、物体和交通信号，从而为机器人和自动驾驶汽车提供视力。 在上图中，卷积神经网络可以识别场景，也可以提供相关的标签，比如“桥梁”、“火车”和“网球”；而下图展示了卷积神经网络可以用来识别日常物体、人和...
python交通标志识别_DataFountain-基于虚拟仿真环境下的自动驾驶交通标志识别 4th...
weixin_42161497的博客
01-29 960
原作者是Yifu Chen，该仓库版权属于Yifu Chen。打个广告：算力充足的大佬可以跑跑mmdetection的SENet-154的backbone，给大伙贡献个coco预训练模型，功在当代，利在千秋啊！地址请戳mmdetection_with_SENet154。datafountain sign detection分割->抠图->检测比赛定位精度要求太高，关键还是使用casca...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值