一种面向智能交通的域自适应目标检测网络优化方法技术

一种面向智能交通的域自适应目标检测网络优化方法属于数字图像

【技术实现步骤摘要】
一种面向智能交通的域自适应目标检测网络优化方法


[0001]本专利技术属于数字图像
/
计算机视觉领域，特别涉及一种面向智能交通的域自适应目标检测网络优化方法
。

技术介绍

[0002]目标检测是视觉图像理解领域地重要一环，实现交通工具运行区域障碍物的实时检测识别是自动驾驶
、
辅助交通控制的重点和难点
。
目前，自动驾驶领域主要通过激光雷达加上工业相机的传感器组来采集环境数据，图像目标检测算法和语义分割算法处理环境数据后得出结果用于辅助驾驶
。
因此，目标检测算法是自动驾驶中重要的一环
。
近些年来，得益于人工智能技术的长足进步，面向智能交通的自动驾驶相关技术得到了极大的发展和应用，交通系统的运行安全性得到了显著提高
。
在车辆自动驾驶领域，高性能的目标检测算法是核心技术之一，通过图像目标检测算法对交通工具运行区域中的目标物进行准确的识别是实现后续预警决策的基础
。
因此，完成图像目标检测算法的高效部署应用对自动驾驶技术的落本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向智能交通的域自适应目标检测网络优化方法，其特征在于，包含数据集建立
、
域自适应目标检测网络训练和目标检测网络推理三个阶段；所述数据集的建立，具体步骤如下：对于采集到的列车车辆运行数据，按照指定的帧间隔提取视频中关键帧数据，得到粗筛的数据集，再通过筛选剔除模糊
、
重复
、
不可用的数据，得到目标域数剧集；收集带标注的公共数据集，作为源域数据集；所述域自适应目标检测网络的设计，具体步骤如下：设计的域自适应目标检测网络，包括
YOLOX
目标检测器
、
多尺度全局特征对齐模块
、
域不变特征解耦模块
、
多尺度实例级自适应模块构成，对抗域判别器作为实现域自适应网络权重优化的基础模块，在多个模块中复用；
YOLOX
目标检测器包括预处理模块
、
主干网络和检测头；对抗域判别器的结构由梯度反转层
GRL
和域判别器组成，其中域判别器包含三个级联的“Conv+GroupNorm+ReLU”操作块和一个输出卷积层，其中
GroupNorm
为正则化操作；域判别器三个操作块的卷积核尺寸都为1×1且不改变特征的通道数，输出卷积层将特征的通道数缩减为1并输出特征的域预测结果；多尺度全局特征对齐模块；对特征提取器的三个尺度分别进行域自适应；
YOLOX
目标检测器的主干网络具有三个尺度的输出，特征尺寸分别为
80
×
80
×
128、40
×
40
×
256
和
20
×
20
×
512

【专利技术属性】
技术研发人员：李嘉锋，郑永煜，黄万，卓力，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：