公开(公告)号：CN110059554B

公开(公告)日：2022-07-01

申请号：CN201910187966.3

申请日：2019-03-13

Applicant: 重庆邮电大学

Inventor： 丰江帆 ,  王凡杰 ,  冯思琴

IPC: G06V20/54 ,  G06V10/762 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明请求保护一种基于交通场景的多支路目标检测方法，包括步骤：S1获取交通路口拍摄的高清照片构建相关数据集，对交通场景图像进行分类和标注，生成相应的类别标签，并划分训练集和测试集；S2搭建基于深度学习的具有32层的网络模型，采用k‑means聚类算法获取9个锚框先验，将这9个锚框平均分配到三个检测分支中，该网络将检测任务转化为回归任务，在一个网络上同时完成目标的分类与边界框的回归，即将目标检测算法的候选框生成、特征提取、分类及位置精修这4个步骤统一到一个深度网络框架之内，采用反向传播和随机梯度下降方法对网络模型进行端到端训练，通过迭代训练使损失函数降到一个小的范围然后停止训练。

公开(公告)号：CN110059554A

公开(公告)日：2019-07-26

申请号：CN201910187966.3

申请日：2019-03-13

Applicant: 重庆邮电大学

Inventor： 丰江帆 ,  王凡杰 ,  冯思琴

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明请求保护一种基于交通场景的多支路目标检测方法，包括步骤：S1获取交通路口拍摄的高清照片构建相关数据集，对交通场景图像进行分类和标注，生成相应的类别标签，并划分训练集和测试集；S2搭建基于深度学习的具有32层的网络模型，采用k-means聚类算法获取9个锚框先验，将这9个锚框平均分配到三个检测分支中，该网络将检测任务转化为回归任务，在一个网络上同时完成目标的分类与边界框的回归，即将目标检测算法的候选框生成、特征提取、分类及位置精修这4个步骤统一到一个深度网络框架之内，采用反向传播和随机梯度下降方法对网络模型进行端到端训练，通过迭代训练使损失函数降到一个小的范围然后停止训练。