System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
技术介绍
1、交通标识检测是指利用计算机视觉技术在道路上进行检测和识别各种交通标识,如限速牌、禁止标识、指示标识、警告标识等。其目标是利用先进的图像处理和机器学习算法来识别道路上的各种交通标识。这些交通标识承载着重要的交通规则和指示,对于驾驶员和交通管理系统来说至关重要。通过检测和识别这些标识,提高道路安全性,优化交通流量,并为自动驾驶车辆提供必要的环境认知能力
2、目前,针对道路交通标识目标检测的算法主要分为两类:基于传统视觉方法和基于深度学习方法。传统交通标识检测方法主要分为基于颜色和形状特征进行检测以及采用传统机器学习经典算法进行检测。基于颜色和形状特征的检测可能会随着交通标识的褪色或形变而造成检测性能的下降,而基于机器学习经典算法的交通标识检测,检测耗时过长,难以满足交通场景的实时部署。相对于基于颜色和形状特征的检测方法和基于机器学习经典算法的检测方法,基于深度学习的检测算法展现了其优秀的实时性与准确性。目前广泛使用的算法包括r-cnn系列、yolo系列、ssd系列、detr系列等。
3、detr系列是基于transformer架构的目标检测算法。与传统目标检测方法使用两阶段(如faster r-cnn)或单阶段(如yolo)的流程不同,detr采用端到端的方式,将目标检测任务转化为一个序列到序列的问题。它能够直接输出不固定数量的目标,无需使用预定义的锚框或先验框。其中rt-detr解决了以往detr系列算法的缺陷,即算法计算复杂度高,需要更多的计算资源,训练收敛慢,往往难以收敛。
/>技术实现思路
1、本专利技术以原rt-detr模型为基础,提供一种基于改进rt-detr的交通标识检测方法,在交通标识检测场景下,该算法相较与原算法在检测精度不降低的前提下,进一步减少了参数量,加快了收敛速度。
2、1.获取公开交通标识数据集tt100k,数据集包含30000张道路标识图片,包括警告、禁令、指示三大类共120+小类中国交通标识;
3、2.取数据集中较为常见的交通标识共8487张图片作为实验数据,并按一定比例划分训练集与测试集;
4、3.设计改进的rt-detr的交通标识检测网络;
5、4.检测网络对输入图像进行特征融合与提取;
6、5.进行迭代训练以获得权重文件;
7、6.将获得的权重用于交通标识检测。
8、本专利技术提供的一种优选的方案,设计改进的rt-detr的交通标识检测网络,其改进过程如下:
9、提出mcca(multi channel coordinated attention)注意力机制;为改善偏移量与掩码参数的生成能力,在dcnv2可变形卷积中拼接mcca注意力模块生成dcnv2att模块;将检测网络backbone中的2个basicblock块替换为dcnv2att块。
10、本专利技术提供的一种优选的方案,mcca注意力模块包括:
11、mcca注意力机制可以沿着x和y两个空间方向来进行聚合特征,其中每个方向的一维特征自动编码,这样便能同时获得位置与通道信息,坐标信息嵌入在各通道进行编码时对x和y方向使用了不同权重大小的卷积核,为使权重的分配更加精确,在x和y通道上进一步增加权重分配通道。mcca注意力机制的表达公式1所示:
12、(1)
13、 (2)
14、 (3)
15、其中,和分别作为注意力机制的权重,和作为权重干预参数,和分别作为高度方向和宽度方向的特征特图输出,是卷积变换函数。
16、本专利技术提供的一种优选的方案,dcnv2att模块包括:
17、dcnv2att模块是将dcnv2与mcca注意力机制拼接而成,dcnv2通过对原始特征层进行普通卷积conv产生偏移量,通过添加可学习的偏移量的卷积层和全连接层,降低模型的复杂性,更好地适应图像中的目标。
18、本专利技术提供的一种优选的方案,特征融合与提取过程包括:
19、采用2个basicblock块与2个dcnv2att块作为主干网络对输入图片进行特征提取,得到不同层的特征图输入至模型。采用跨尺度特征融合模块ccfm与基于注意力的尺度内特征交换模块aifi将主干网络输出的不同层特征图在跨尺度和尺度内进行特征图融合。
20、本专利技术公开了一种基于改进rt-detr的交通标识检测方法,在原rt-detr目标检测网络模型的基础上,结合中国交通标识数据集tt100k进行优化改进,能够对各类交通标识进行实时检测,在不降低检测精度的前提下简化了网络的计算复杂度以及加快了收敛速度。
本文档来自技高网...【技术保护点】
1.一种基于改进RT-DETR的交通标识检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于改进RT-DETR的交通标识检测方法,其特征在于步骤1.3.中设计改进的RT-DETR的交通标识检测网络,其改进过程如下:
3. 根据权利要求1所述的一种基于改进RT-DETR的交通标识检测方法,其特征在于MCCA注意力模块包括:
4.根据权利要求1所述的一种基于改进RT-DETR的交通标识检测方法,其特征在于DCNv2att模块包括:
5.根据权利要求1所述的一种基于改进RT-DETR的交通标识检测方法,其特征在于所述特征融合与提取具体为:
6.采用2个BasicBlock块与2个DCNv2att块作为主干网络对输入图片进行特征提取,得到不同层的特征图S3、S4、S5,其中S5是具有更丰富语义概念的高级特征,将S5特征图送入自注意力AIFI中进行尺度内特征交互得到F5,再将S3、S4、F5各自应用于CCFM跨尺度特征融合模块,进行自下而上的特征融合,最后进行concat连接输出。
【技术特征摘要】
1.一种基于改进rt-detr的交通标识检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于改进rt-detr的交通标识检测方法,其特征在于步骤1.3.中设计改进的rt-detr的交通标识检测网络,其改进过程如下:
3. 根据权利要求1所述的一种基于改进rt-detr的交通标识检测方法,其特征在于mcca注意力模块包括:
4.根据权利要求1所述的一种基于改进rt-detr的交通标识检测方法,其特征在于dcnv2att模块包括...
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。