机械工程学报

作者：赵子婧, 刘宏哲, 曹东璞

单位：1. 北京联合大学北京市信息服务工程重点实验室 北京 100101;2. 滑铁卢大学认知自动驾驶实验室 滑铁卢 ON N2L 3G1 加拿大

关键词：计算机视觉,深度学习,目标检测,交通标志检测,改进的LibraR-CNN,GA-RPN；

基金：国家自然科学基金（61871039，61906017，61802019）、北京市教委（KM202111417001，KM201911417001）、视觉智能协同创新中心（CYXC2011）、北京联合大学学术研究（ZB10202003，ZK80202001，XP202015）和北京联合大学研究生资助项目。

随着人工智能领域的快速发展，深度学习在无人驾驶领域中的应用逐渐成熟，但是其中交通标志检测任务作为难点问题仍有很大的改进空间。城市道路下的交通标志检测具有环境复杂、小目标多、目标种类多且数量不平衡的特点，针对这些问题，提出基于Libra R-CNN进行改进的方案。Libra R-CNN目标检测网络是基于平衡提出的，能够较好应对目标种类多及数量不平衡问题，在Libra R-CNN网络的锚框提取样本阶段，使用GA-RPN生成锚框，从而在训练期间产生更精确、更多样化的样本，减少背景影响和小目标不好定位的问题，提高检测准确率。该方法通过试验验证了有效性。试验是在MS COCO 2017和交通标志数据集上进行的。改进后的Libra R-CNN的mAP提高了超2.7个百分点。试验结果表明，改进后的网络相比原有的目标检测网络性能有了显著提升。

来源：2021年第22期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2021年第22期