SPFCN：面向实时车位检测的全卷积网络选择与剪枝
计算机视觉与模式识别
2020-05-20 v2 机器学习
摘要
对于配备自动泊车系统的车辆，车位检测的精度与速度至关重要。但高精度往往以低速度或昂贵计算设备为代价，这对许多汽车制造商十分敏感。本文提出一种基于 CNN（卷积神经网络）的检测器，在保持精度的同时实现更快速度与更小模型尺寸。为达到最优平衡，我们开发了一种策略，可在每个训练周期后自动选择最佳感受野并剪枝冗余通道。所提模型能够联合检测车位角点与线特征，同时在普通处理器上高效实时运行。该模型在 2.3 GHz CPU 核心上帧率约 30 FPS，车位角点定位误差为 1.512.14 cm（标准误），车位检测准确率达 98%，总体满足车载移动终端对速度与精度的要求。
引用
@article{arxiv.2003.11337,
title = {SPFCN: Select and Prune the Fully Convolutional Networks for Real-time Parking Slot Detection},
author = {Zhuoping Yu and Zhong Gao and Hansheng Chen and Yuyao Huang},
journal= {arXiv preprint arXiv:2003.11337},
year = {2020}
}