论文部分内容阅读
近年来无人驾驶汽车越来越受到学术界和工业界的重视。作为无人驾驶汽车环境感知系统的重要组成部分,交通标志检测系统也越来越受到人们的关注。正确的将交通标志牌检测和识别出来对于无人驾驶汽车有着非常重要的实际意义。与此同时近年来卷积神经网络在计算机视觉领域取得了大量突破性的成功应用。现有的基于卷积神经网络的检测算法,如Faster R-CNN、YOLO和SSD,虽然在一些通用检测数据集上取得了相当不错的表现。但是它们的性能离真正的无人驾驶汽车场景下的交通标志检测应用依旧存在差距。本文聚焦于卷积神经网络应用到交通标志检测任务上的探索研究:(1)提出了一种将数字分类器特征迁移给交通标志检测器的算法。由于目标检测任务天然存在样本极度不平衡,目标尺度变化剧烈,背景复杂多样等问题,导致基于卷积神经网络的交通标志检测器学习到的特征往往并不是最优的。在观察之后我们发现这样的问题对包含有数字的交通标志牌尤为显著。为了解决这个问题我们先把包含数字的交通标志牌从原图中裁切出来,再用这些裁切下来的图片训练一个卷积神经网络数字分类器。最后再在训练检测器的时候把这个数字分类器学习到的特征迁移给交通标志检测器。在经过特征迁移训练之后我们的交通标志检测器学习到了更加具有鉴别性的特征,性能有显著的提升。(2)用特征加权结构改进了交通标志检测算法。当前的基于卷积神经网络的交通标志检测算法通常是没考虑特征的有效性问题的。但实际上针对不同的标志牌类别,卷积神经网络中往往只有一部分的特征起到了正向作用。其他的特征起了比较小的作用,甚至是负作用。基于这样的假设我们参考图像分类网络中的特征加权网络结构,对现有的交通标志检测框架做出了改进。我们使用Faster R-CNN作为基本检测算法,在区域池化(RoI Pooling)之后我们引入了一个特征加权网络分支。该分支经过两层全连接之后得到一个维度与特征通道数相同的权重向量,权重向量与各通道维度的特征直接相乘以建模各个通道特征的重要程度。特征加权算法通过自动的学习各个通道维度的权重,实现了保持有用特征抑制无用特征的功能。在Tsinghua-Tencent 100K数据集上进行的大量实验证明了我们算法的有效性。