基于卷积神经网络的实时车辆检测
【摘要】 为了解决对于尺度变换较大车辆及遮挡车辆检测性能不足的问题，提出了一种实时车辆检测模型。针对车辆检测算法对于尺度敏感的问题，通过使用深度残差网络作为特征提取层，构建特征金字塔网络用于多尺度检测;利用软化非极大抑制线性衰减置信得分解决车辆遮挡问题，从而降低车辆的漏检率;同时对模型进行通道级裁剪缩减模型参数规模，节省计算资源，提高模型检测速度。在VOC数据集上进行实验，结果表明，提出的方法在检测精度和检测速度上均获得较高的性能。在检测精度上，达到87.6%的准确率,相较于YOLOv3提升了3.7个百分点，相较于SSD提升了9.8个百分点;在检测速度上，每秒检测帧数达到42f/s，实现了车辆的实时检测。特别地，将模型应用于环境复杂的Apollo数据集，相较于YOLOv3具有更好的鲁棒性。
