【技术实现步骤摘要】
本专利技术涉及图像检测领域，具体为一种基于改进rt-detr恶劣天气下道路检测方法。
技术介绍
1、随着人们对车辆行驶安全的关注日益增加，自动驾驶汽车在恶劣天气条件下的目标检测性能已成为该研究领域的焦点。尽管如此，目前大多数目标检测算法主要在理想光照和气候条件下进行测试与优化，这种局限性在实际应用中变得尤为突出。例如，在夜间、雨天、雾天和雪天等恶劣天气条件下，摄像头捕获的图像往往因模糊和光照不均等因素而严重影响目标检测的精确度和稳定性。
2、近年来，随着计算机视觉与深度学习技术的蓬勃发展，图像识别和目标检测领域迎来了前所未有的技术革新。以yolo系列和detr为代表的先进算法不断涌现，其中，rt-detr（real-time detection transformer）作为实时目标检测领域的重要突破，通过引入transformer架构，成功构建了一种高效的检测模型。rt-detr大胆摒弃了这些传统设计，转而借助transformer的全局建模能力，在保证检测速度的同时显著提升了目标检测的精度。这种技术创新使得rt-detr在...
【技术保护点】
1.一种基于改进RT-DETR恶劣天气下道路检测方法，其特征在于，包括以下步骤：步骤1，获取恶劣天气下的道路目标检测数据集，并进行预处理，将数据集划分为训练集、验证集和测试集；步骤2，改进RT-DETR模型骨干网络结构，使用CSP-PFDConv模块代替基础卷积模块，所述CSP-PFDConv模块是由改进的全局感受野的频域卷积PFDConv融合高效的跨阶段局部CSP架构得到的；步骤3，改进RT-DETR模型的编码器结构，将原本AIFI模块中的简单前馈网络FFN替换为频谱增强前馈网络SEFFN；步骤4，将编码器生成的特征金字塔与可学习的对象查询共同输入至RT-DETR解...
【技术特征摘要】
1.一种基于改进rt-detr恶劣天气下道路检测方法，其特征在于，包括以下步骤：步骤1，获取恶劣天气下的道路目标检测数据集，并进行预处理，将数据集划分为训练集、验证集和测试集；步骤2，改进rt-detr模型骨干网络结构，使用csp-pfdconv模块代替基础卷积模块，所述csp-pfdconv模块是由改进的全局感受野的频域卷积pfdconv融合高效的跨阶段局部csp架构得到的；步骤3，改进rt-detr模型的编码器结构，将原本aifi模块中的简单前馈网络ffn替换为频谱增强前馈网络seffn；步骤4，将编码器生成的特征金字塔与可学习的对象查询共同输入至rt-detr解码器检测头，通过迭代式解码机制对目标信息进行逐层优化，最终解码为包含目标类别置信度与边界框坐标的预测值；步骤5，使用恶劣天气下的道路目标检测数据集中的训练集和验证集对经过步骤2、步骤3和步骤4改进后的rt-detr模型进行训练；步骤6，将测试集图片输入到训练后的改进rt-detr模型，得到检测结果。
2.根据权利要求1所述的一种基于改进rt-detr恶劣天气下道路检测方法，其特征在于，当特征图进入csp-pfdconv模块中，在csp架构下被分割为两路，一路是直接送往csp-pfdconv模块末端的快捷路径，另一路是进入pfdconv瓶颈模块的主路径。
3.根据权利要求2所述的一种基于改进rt-detr恶劣天气下道路检测方法，其特征在于，在所述的pfdconv瓶颈模块中，将输入特征图的通道分为关键子集和廉价子集，直接绕行至pfdconv瓶颈模块末端，被送入fdconv核心引擎，fdconv核心引擎根据动态地在频域中合成定制化的卷积核，卷积核被用于对进行卷积，得到增强后的，经过动态卷积的与直接绕行的进行拼接，完成一次pfdconv操作。
4.根据权利要求3所述的一种基于改进rt-detr恶劣天气下道路检测方法，其特征在于，所述fdconv核心引擎的具体结构为：输入特征图首先通过全局平均池化转化为全局上下文描述符；全局上下文描述符送入分级的核空间调制器，通过分级注意力解耦过程，分解为五种维度正交的注意力信号，包括通道注意力、滤波器注意力、空间注意力、局部注意力以及核注意力；将滤波器注意力、空...
【专利技术属性】
技术研发人员：阚希，饶晨旭，张永宏，杨雷，王泉，朱灵龙，张红燕，曹海啸，
申请(专利权)人：无锡学院，
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。