基于改进CenterNet的车辆识别方法

摘要：

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BDD100 K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GTX1080 Ti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.

关键词：车辆检测;类型识别;深度学习;特征融合

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划项目2018YFB0204301

在线出版日期：2021-08-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：94-102