摘要：為解決多種天氣與多種場景下主干道路行駛車輛檢測存在的實(shí)時性、泛化能力差、漏檢、定位不準(zhǔn)確等問題,研究了基于TensorFlow深度學(xué)習(xí)框架的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)算法,通過引入VGG16神經(jīng)網(wǎng)絡(luò)模型,優(yōu)化ROI Pooling Layer,并采用聯(lián)合訓(xùn)練方法,得到改進(jìn)的算法模型。采用UA_CAR數(shù)據(jù)集進(jìn)行模型訓(xùn)練,實(shí)現(xiàn)行駛中的車輛檢測,測試結(jié)果與優(yōu)化前Faster R-CNN比較,MAP提高了7.3個百分點(diǎn),準(zhǔn)確率提高了7.4個百分點(diǎn),檢測用時0.085 s,提高了對多種環(huán)境與場景的適應(yīng)性。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
