LittleYOLO-SPP：一种精细的实时车辆检测算法
计算机视觉与模式识别
2020-11-12 v1 图像与视频处理
摘要
实时车辆检测是一项具有挑战性且重要的任务。现有实时车辆检测在精度与速度上有所不足。实时系统必须在盗窃车辆和道路交通违法等犯罪活动中以高精度检测并定位车辆。在存在遮挡的复杂场景中检测车辆也极为困难。本研究提出一种基于 YOLOv3-tiny 网络的深度神经网络轻量模型 LittleYOLO-SPP，以有效进行实时车辆检测。通过对特征提取网络进行修改，改进了 YOLOv3-tiny 目标检测网络，以提升车辆检测的速度与精度。所提网络将空间金字塔池化（Spatial pyramid pooling）融入网络中，其由不同尺度的池化层组成以拼接特征，从而增强网络学习能力。采用边界框回归的均方误差（MSE）与广义 IoU（GIoU）损失函数以提升网络性能。网络训练使用了来自 PASCAL VOC 2007、2012 与 MS COCO 2014 数据集的基于车辆的类别，如小轿车、公交车与卡车。LittleYOLO-SPP 网络无论视频帧与天气条件如何，均能高精度实时检测车辆。改进网络在 PASCAL VOC 上取得 77.44% 的更高 mAP，在 MS COCO 数据集上取得 52.95% 的 mAP。
引用
@article{arxiv.2011.05940,
title = {LittleYOLO-SPP: A Delicate Real-Time Vehicle Detection Algorithm},
author = {Sri Jamiya S and Esther Rani P},
journal= {arXiv preprint arXiv:2011.05940},
year = {2020}
}
备注
18 pages, 8 Figures, 7 Tables