华南理工大学学报(自然科学版)

作者：黄跃珍, 王乃洲, 梁添才, 等

单位：1． 国防科技大学 计算机学院，湖南 长沙 410022; 2． 广州无线电集团有限公司，广东 广州 510663;3． 深圳市信义科技有限公司，广东 深圳 518067; 4． 华南理工大学 电子与信息学院，广东 广州 510640;5． 华南理工大学 自动化科学与工程学院，广东 广州 510640

关键词：车辆检测,类型识别,深度学习,特征融合

基金：国家重点研发计划项目 ( 2018YFB0204301)

为解决车辆识别系统中类型识别率低的问题，提出了一种基于改进 CenterNet的车辆识别方法。首先，该方法采用 ResNet18 作为基础网络，以减少网络参数; 然后，针对 CenterNet 车辆目标识别存在定位效果不理想的问题，采用带间距的交并比损失取代 CenterNet 损失函数中的偏置损失和宽高损失，同时采用单尺度自适应空间特征融合及自适应逐层特征融合方法，将网络的多级特征进行融合。实验结果表明: 在Vehicle数据集上，平均精度均值提升了 1. 9 个百分点; 在 BDD100K 和 Pascal VOC 数据集上，预测边框跟真实边框交并比为 0. 5 时的平均精度分别提升了 5. 2 个百分点和 2. 5 个百分点; 在 GTX1080Ti 上，推理速度每秒可达 149 帧，文中提出的改进 CenterNet 能够明显提高车辆的识别精度。

来源：2021年第7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2021年第7期