The invention discloses a traffic identifier detection method based on a multi-scale cyclic attention network. The method first constructs a traffic identifier detection model, which is a convolutional neural network feature extraction model for image feature extraction and a multi-scale cycle for improving the detection accuracy of small targets. The attention network model is compounded, and then the trained traffic identifier detection model is trained by using qualified training samples, and the trained traffic identifier detection model is obtained. The method of the invention strengthens the acquired characteristics by using the codec structure, detects small targets by multi-scale attention structure, and solves the problems of gradient disappearance and gradient explosion by using residual structure. The method of the invention is more competitive than other advanced traffic identifier detection methods.
【技术实现步骤摘要】
一种基于多尺度循环注意力网络的交通标识符检测方法
本专利技术涉及交通标识符检测技术,具体涉及一种基于多尺度循环注意力网络的交通标识符检测方法。
技术介绍
交通标志的检测是学术界和工业界的一个至关重要和具有挑战性的课题,过去十年来一直是研究的热点领域。实时和强大的交通标志检测技术可以减轻驾驶员压力,从而显著提高驾驶安全性和舒适性。例如,它可以提醒驾驶员当前的速度限制,防止他超速驾驶。此外,它还可以集成到自动驾驶系统(ADS)和高级驾驶员辅助系统(ADAS)中,以减轻驾驶压力。传统交通标志检测有各种各样的算法,包括adaboost、支持向量机、Hough变换等,它们使用颜色,纹理,线条和其他低级特征来检测图像中交通标志的中心或边缘。由于以下原因,基于低级特征的方法不能很好地检测交通标志:1)不同形状或颜色的交通标志(例如,三角形,正方形,圆形以及它们的颜色,黄色,红色或蓝色);2)树木,车辆等物体可能遮挡交通标志;3)一天内的不同时刻,例如,白天和晚上交通标志的图片是不同的。近年来,深度学习,特别是卷积神经网络(CNN)在检测任务中得到了成功应用。根据深度学习的理念,提供的训练数据越多,精度将会越高,如果我们有足够的数据进行训练,就能得到近似完美的结果。然而,虽然构建了庞大的交通标志数据集,如Tsinghua-Tencent100K数据集,但深度学习在交通标志检测中并没有表现出明显的优势,部分原因是交通标志尺寸过小和有效的上下文信息没有得到充分利用。
技术实现思路
本专利技术的目的在于针对现有技术的不足,提供一种基于多尺度循环注意力网络的新型交通标识符检测方法,该 ...
【技术保护点】
1.一种基于多尺度循环注意力网络的交通标识符检测方法,其特征在于,该方法包括以下步骤:(1)构建交通标识符检测模型:所述交通标识符检测模型由用于图像特征提取的卷积神经网络特征提取模型和用于提高小目标检测精度的多尺度循环注意力网络模型复合而成;所述卷积神经网络特征提取模型的构建方法如下:使用深层残差网络提取原始图像的初始特征并输入编解码器;编解码器的编码器部分实现下采样、解码器部分实现上采样,通过上、下采样得到不同尺度的特征图Xk,通过残差学习得到每个尺度下的特征;所述多尺度循环注意力网络模型构建方法如下:使用通道数为1、卷积核为1×1的卷积层,对该尺度下的特征进行卷积操作,得到每个尺度的初始注意力图;通过卷积操作分别获得当前尺度初始注意力图
【技术特征摘要】
1.一种基于多尺度循环注意力网络的交通标识符检测方法,其特征在于,该方法包括以下步骤:(1)构建交通标识符检测模型:所述交通标识符检测模型由用于图像特征提取的卷积神经网络特征提取模型和用于提高小目标检测精度的多尺度循环注意力网络模型复合而成;所述卷积神经网络特征提取模型的构建方法如下:使用深层残差网络提取原始图像的初始特征并输入编解码器;编解码器的编码器部分实现下采样、解码器部分实现上采样,通过上、下采样得到不同尺度的特征图Xk,通过残差学习得到每个尺度下的特征;所述多尺度循环注意力网络模型构建方法如下:使用通道数为1、卷积核为1×1的卷积层,对该尺度下的特征进行卷积操作,得到每个尺度的初始注意力图;通过卷积操作分别获得当前尺度初始注意力图的上采样注意力图和下采样注意力图将下采样注意力图初始注意力图和上采样注意力图进行级联,使用通道数为1、卷积核为1×1的卷积层对级联结果进行卷积操作,获得新的当前尺度的非标准化注意力图将非标准化注意力图归一化到0-1之间,得到标准化注意力图循环上述操作,在每次循环开始时,将上一轮循环得到的标准化注意力图作为该轮循环的初始注意力图直到获得的注意力图目标区域与原始图像目标区域的误差小于设定门限,再将每个尺度的最终注意力图的通道数扩张到该尺度下的卷积特征大小,再与该卷积特征进行Hadamard乘积得到该尺度的环境上下文特征,将所有尺度的环境上下文特征加和,从而得到该原始图像的环境上下文特征c;建立原始图像的环境上下文特征与感兴趣目标外接框的映射关系;(2)得到检测结果:利用合格的训练样本对所述的交通标识符检测模型进行训练,得到训练好的交通标识符检测模型;测试时将待检测的图像输入训练好的交通标识符检测模型中,得到检测结果。2.如权利要求1所述的基于多尺度循环注意力网络的交通标识符检测方法,其特征在于,所述卷积神经网络特征提取模型的基础网络采用经改进的Resn...
【专利技术属性】
技术研发人员:田彦,王勋,吴佳辰,
申请(专利权)人:浙江工商大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。