检索结果

Select

1. 基于密集连接卷积神经网络的道路车辆检测与识别算法

邓天民, 冒国韬, 周臻浩, 段志坚

《计算机应用》唯一官方网站 2022, 42 (3): 883-889. DOI: 10.11772/j.issn.1001-9081.2021030384

摘要（389）

HTML （11）

PDF （1354KB）（159）

针对现有道路车辆检测识别算法中存在的检测精度不高、实时性差以及小目标车辆漏检等问题，提出一种基于密集连接卷积神经网络的道路车辆检测与识别算法。首先，基于YOLOv4网络框架，通过采用密集连接的深度残差网络结构，加强特征提取阶段的特征复用，实现对浅层复杂度较低的特征的利用；然后，在多尺度特征融合网络引入跳跃连接结构，强化网络的特征信息融合和表征能力，以降低车辆漏检率；最后，采用维度聚类算法重新计算先验框尺寸，并按照合理的策略分配给不同检测尺度。实验结果表明，该算法在KITTI数据集上获得了98.21%的检测精度和48.05 frame/s的检测速度，对于BDD100K数据集中复杂恶劣环境中的车辆也有较好的检测效果，在满足实时检测要求的同时有效提升检测精度。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于改进空间金字塔池化卷积神经网络的交通标志识别

邓天民, 方芳, 周臻浩

计算机应用 2020, 40 (10): 2872-2880. DOI: 10.11772/j.issn.1001-9081.2020020214

摘要（567）

PDF （3595KB）（1005）

针对雾天、光照、遮挡和大倾角等因素导致的交通标志识别准确率低、泛化性差等问题，提出一种基于神经网络的轻量级交通标志识别方法。首先，利用图像归一化、仿射变换和限制对比度自适应直方图均衡化（CLAHE）方法进行图像预处理，以提高图像质量；其次，基于卷积神经网络（CNN），融合空间金字塔结构和批量归一化（BN）方法构建改进空间金字塔池化卷积神经网络（SPPN-CNN）模型，并利用Softmax分类器实现交通标志分类；最后，选用德国交通标志识别数据集（GTSRB），对比不同图像预处理方法、模型参数和模型结构的训练效果，并验证和测试所提模型。实验结果表明，SPPN-CNN模型的识别精度达到98.04%，损失小于0.1，在低配GPU条件下识别速率大于3 000 frame/s，验证了模型精度高、泛化性强、实时性好的特点。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于Elman神经网络的GNSS/INS全域高精度定位方法

邓天民, 方芳, 岳云霞, 杨其芝

计算机应用 2019, 39 (4): 994-1000. DOI: 10.11772/j.issn.1001-9081.2018091920

摘要（619）

PDF （1000KB）（310）

针对当前智能网联汽车定位与导航系统无法接收全球导航卫星系统（GNSS）信号引起定位失效的问题，提出一种基于Elman神经网络的GNSS结合惯性导航系统（INS）的全域高精度定位方法。首先，采用神经网络方法，建立了基于Elman网络的GNSS/INS高精度定位训练模型和GNSS失效预测模型；然后，利用GNSS、INS和实时动态（RTK）等定位技术，设计了GNSS/INS高精度定位数据采集实验系统；最后，选取采集的有效实验数据进行了反向传播（BP）神经网络、级联BP（CFBP）神经网络、Elman神经网络的训练模型性能对比分析，并验证了基于Elman网络的GNSS失效预测模型。实验结果表明，所提方法训练误差指标均优于基于BP和CFBP神经网络的方法；在GNSS失效1 min、2 min、5 min时，基于预测模型的预测平均绝对误差（MAE）、方差（VAR）和均方根误差（RMSE）分别为18.88 cm、19.29 cm、58.83 cm，8.96、8.45、5.68和20.90、21.06、59.10，随着GNSS信号失效时长的增加，定位预测精度降低。

参考文献 | 相关文章 | 多维度评价