华南理工大学学报(自然科学版)

作者：岳永恒, 宁睿厚

单位：东北林业大学 土木与交通学院，黑龙江 哈尔滨 150040

关键词：智能车辆,目标检测,无先验框,CenterNet,轻量化,深度可分离卷积

基金：黑龙江省重点研发项目(JD22A014);国家车辆事故深度调查体系资助项目(NAIS-ZL-ZHGL-2020018);国家自然科学基金资助项目(62173107)

针对当前目标检测算法参数较多，计算量较大，导致响应速度较慢，难以推广应用于智能车辆系统的问题，提出一种改进的CenterNet目标检测算法。即应用轻量化MobileNetV3网络替换原ResNet-50网络，降低计算量；应用深度可分离的PANet替换特征增强网络，获得多尺度特征信息融合后的特征，并引入SimAM注意力机制在特征融合前强化目标特征关注度，再用SiLU激活函数替换原目标检测网络中的ReLU激活函数，增强网络学习能力。最后提出CPAN-ASFF模块对深度可分离的PANet输出多尺度特征图进行融合，提高目标检测精度。应用优化后的KITTI数据集对改进后的CenterNet目标检测算法进行训练及检测验证，结果表明：其平均准确率为80.7%，比原始CenterNet目标检测算法提高了12个百分点，其检测速度为65 f/s，其参数量为8.91 M，较原算法减少72.73%，改进后的算法在遮挡目标、重叠目标以及与背景相似目标的检测效果上表现更优。且在SODA10M数据集中，文中提出的算法的检测精度与速度也都优于当前主流算法。该研究对算法的优化及实验为智能车辆在实际工程中的应用奠定了技术支撑。

来源：2024年第8期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2024年第8期