【技术实现步骤摘要】
基于高速传感的路面目标轻量化增强方法
[0001]本专利技术属于高速公路监测领域,涉及一种基于高速传感的路面目标轻量化增强方法。本专利技术适用于路面目标检测。
技术介绍
[0002]深度学习是路面目标检测的有力工具。深度学习模型的检测效果很大程度上取决于训练数据集的规模和质量。然而在实际工程中,大规模高质量的路面目标图像成本高昂且难以获得,因此通过数据增强扩充训练数据集尤为必要。
[0003]生成对抗网络对于路面目标增强是适合的、有效的。然而,复杂的生成对抗网络面临着难以训练、收敛速度慢和训练过程不稳定的问题。同时,由于其计算开销和存储体积巨大,难以在普通计算机上部署应用。而工程实践中对设备的可移动性和检测的实时性要求更高,因此需要更高效和小体积的模型。然而,目前缺少针对路面目标检测问题的轻量化生成对抗网络方法。
技术实现思路
[0004]本专利技术的目的在于通过一种基于高速传感的路面目标轻量化增强方法,对原始的小样本量的路面图像进行识别和数据增强,同时尽可能的缩减模型体积和运行时间,提高检测效率。
[0005]本专利技术采用的生成对抗网络包括生成器和判别器。生成器将随机噪声转化为路面图像,判别器根据输入的图像判断其是否为真。经过生成器和判别器的反复博弈训练,最终使得生成器可以生成逼真的路面图像。
[0006]本专利技术采用的技术方案为一种基于高速传感的路面目标轻量化增强方法,包括图像获取与准备、生成对抗网络初步设计和模型轻量化设计三大部分,如图1所示,具体步骤如下:
...
【技术保护点】
【技术特征摘要】
1.基于高速传感的路面目标轻量化增强方法,其特征在于:包括图像获取与准备、生成对抗网络初步设计和模型轻量化设计三大部分,具体步骤如下:步骤一:图像获取与准备;首先利用高速公路视频传感器获取路面图像,图像尺寸为160
×
160像素灰度图像;步骤二:生成对抗网络初步设计;设计初始生成对抗网络;用于数据增强的初始生成对抗网络的生成器结构:其输入为大小为100的随机噪声;步骤三:模型轻量化设计;利用压缩再扩展对初始生成对抗网络的生成器全连接层进行轻量化,降低全连接层输出节点,将隐藏层初始特征图维度由1024压缩为128,再利用1
×
1卷积层将其恢复至1024维度,同时降低全连接层输入节点,将输入随机噪声大小由100压缩为1;利用多尺度卷积对初始生成对抗网络的生成器转置卷积层和判别器卷积层进行轻量化,具体方式如为:对于所有需要使用卷积核的层级,将原有6
×
6大小的卷积核替换为6
×
6和4
×
4大小的卷积核,且替换后卷积核的输出维度均为原卷积核的输出维度的一半,再对替换后的卷积核输出的特征图进行张量拼接,恢复原有维度。2.根据权利要求1所述的基于高速传感的路面目标轻量化增强方法,其特征在于:利用深度可分离卷积对初始生成对抗网络的生成器转置卷积层和判别器卷积层进行轻量化:对于所有需要使用卷积核的层级,将常规卷积拆分为先进行逐通道卷积、再进行逐点卷积的深度可分离卷积,逐通道卷积与逐点卷积间不进行其他操作。3.根据权利要求1所述的基于高速传感的路面目标轻量化增强方法,其特征在于:由Python语言编写,神经网络基于Pytorch库搭建;在训练过程中,设置BatchSize为32,选择BCE损失函数和Adam优化器,学习率设为10
‑5,其余参数均保持Pytorch中的默认值。4.根据权利要求1所述的基于高速传感的路面目标轻量化增强方法,其特征在于:用于数据增强的初始生成对抗网络的生成器结构为:其输入为大小为100的随机噪声;输入经过全连接层和Sigmoid激活函数后转换为102400个数字,这些数字经过维度转换后成为大小为10
×
10、维度为1024的特征图;对特征图进行三次变换,每次变换均经过转置卷积层、批量标准化和LeakyReLU(0.02)激活函数,其中转置卷积层使用的卷积核大小均为6
×
6;经过第一次变换后特征图大小变为20
×
20,维度变为512;经过第二次变换后特征图大小变为40
×
40,维度变为256;经过第三次变换后特征图...
【专利技术属性】
技术研发人员:陆由付,俄广迅,侯越,潘硕,刘卓,陈宁,牟振华,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:
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。