本发明提出一种基于改进yolov3的交通场景小目标检测方法,解决yolov3网络过深问题,提高对小目标检测的精确度和速度,一定程度上避免训练神经网络出现的过拟合现象。属于智能交通领域。
背景技术:
在交通目标识别应用中,小目标的识别与跟踪是研究的关键问题之一。在智能化领域中,检测与识别交通标志是自动驾驶汽车系统中非常重要的一个部分,因此准确的检测与识别交通标志的研究意义也更加突出。
对于常规的目标,采用经典的检测方法可以获得较好的检测结果。但是对于小目标的检测问题都不太理想。这些方法在pascalvoc、coco等数据集上的检测结果来看,他们对于诸如小鸟、船只等小目标检测效果较差,而对于虽然复杂但更大一些的目标检测效果却很好。由此可以说明一方面特征网络缺少学习特定特征和表达特征的能力,另一方面网络提取出来的小目标特征能提供给模型的信息过于匮乏。小目标成为制约通用目标检测方法提升性能的关键问题,越来越多的学者对此展开了研究,通过研究卷积神经网络低层特征和高层特征的信息特点,使用不同层的特征反演目标图像,得出了低层特征富含细节的信息,更适合用于小目标检测任务的结论。本文发明主要针对神经网络yolov3网络过深,在目标检测任务中容易忽略低层位置信息的问题,提出增强浅层特征的表征能力,并引入多尺度检测融合低层特征信息增强对于检测小目标效果的方法,在保证检测速度满足实时性要求的同时提高检测精度。
技术实现要素:
针对上述问题,本发明的是一种基于改进yolov3的交通场景小目标检测方法,通过使用resnet网络改进yolov3较深的特征提取结构darknet-53,增强低层特征的表征能力;利用fpn网