论文部分内容阅读
近年来，自动驾驶系统和先进辅助驾驶系统成为了各大汽车公司和互联网公司的研究热点，目标检测是其核心技术之一。现有的目标检测算法虽然在精度提升上取得了一定进展，但其参数量大、计算成本高的问题不利于低存储设备的应用。同时，城市交通场景密集复杂，并且车辆之间严重遮挡，导致目标检测算法经常出现漏检、误检等问题。
本文先从网络轻量化方面进行研究，通过对YOLOv3的优化改进，提出一种轻量级车辆检测算法，在不降低精度的情况下，使模型更小，检测速度更快。然后再从降低漏检率和误检率的角度出发，对损失函数和非极大抑制算法设计更具针对性的优化策略，以提高密集场景车辆检测算法的适用性和鲁棒性。本文主要工作内容如下：
(1)针对BDD100K数据集存在各类型车辆分布不均衡的问题，对该数据集中数据量过大的汽车和货车进行了随机删除操作，并对自行车和摩托车的数据集分别使用传统数据增强方法和基于改进DCGAN的数据增强方法进行了扩充，最终建立了一个数据量大、类别均衡并且场景多样化的车辆数据集。
(2)针对YOLOv3算法对车辆目标实时检测时参数量和计算量大的问题，提出了一种轻量级L-YOLOv3算法。该算法基于深度可分离卷积、SE模块和Ghost模块对YOLOv3的残差单元进行了重新设计，构建了16层的主干特征提取网络，并保留了特征金字塔结构的多尺度预测网络，共同组成轻量化改进后的L-YOLOv3算法。实验结果表明，L-YOLOv3算法相比YOLOv3参数量下降了近67%，实现了模型轻量化的目的，同时mAP值提升了3.18%，FPS每秒提高了8帧，在检测精度和速度上均优于YOLOv3算法，提升了车辆目标检测算法的整体性能。
(3)针对传统NMS算法在多目标重叠时只能保留一个候选框的问题，提出了SD-NMS后处理方法，通过多目标集合预测思想与DIoU的有效结合，使特征学习过程得到简化。实验结果表明SD-NMS有效减少了车辆密集场景下的漏检和误检现象。同时，为提高目标框回归的收敛速度和精度，在损失函数优化上引入了CIoU Loss，从回归损失的实验结果得出结论，采用CIoU Loss后的L-YOLOv3算法在目标框回归过程中损失曲线更稳定。
本文先从网络轻量化方面进行研究，通过对YOLOv3的优化改进，提出一种轻量级车辆检测算法，在不降低精度的情况下，使模型更小，检测速度更快。然后再从降低漏检率和误检率的角度出发，对损失函数和非极大抑制算法设计更具针对性的优化策略，以提高密集场景车辆检测算法的适用性和鲁棒性。本文主要工作内容如下：
(1)针对BDD100K数据集存在各类型车辆分布不均衡的问题，对该数据集中数据量过大的汽车和货车进行了随机删除操作，并对自行车和摩托车的数据集分别使用传统数据增强方法和基于改进DCGAN的数据增强方法进行了扩充，最终建立了一个数据量大、类别均衡并且场景多样化的车辆数据集。
(2)针对YOLOv3算法对车辆目标实时检测时参数量和计算量大的问题，提出了一种轻量级L-YOLOv3算法。该算法基于深度可分离卷积、SE模块和Ghost模块对YOLOv3的残差单元进行了重新设计，构建了16层的主干特征提取网络，并保留了特征金字塔结构的多尺度预测网络，共同组成轻量化改进后的L-YOLOv3算法。实验结果表明，L-YOLOv3算法相比YOLOv3参数量下降了近67%，实现了模型轻量化的目的，同时mAP值提升了3.18%，FPS每秒提高了8帧，在检测精度和速度上均优于YOLOv3算法，提升了车辆目标检测算法的整体性能。
(3)针对传统NMS算法在多目标重叠时只能保留一个候选框的问题，提出了SD-NMS后处理方法，通过多目标集合预测思想与DIoU的有效结合，使特征学习过程得到简化。实验结果表明SD-NMS有效减少了车辆密集场景下的漏检和误检现象。同时，为提高目标框回归的收敛速度和精度，在损失函数优化上引入了CIoU Loss，从回归损失的实验结果得出结论，采用CIoU Loss后的L-YOLOv3算法在目标框回归过程中损失曲线更稳定。