基于改进CenterNet的交通场景目标检测技术研究

摘要

针对交通场景目标复杂、遮挡严重,导致目标难以检测的问题,提出了基于改进CenterNet的目标检测算法。CenterNet使用的激活函数ReLU函数在输入值为负值时输出及梯度均为0,导致CenterNet部分神经元无法计算输入信息,LeakyReLU函数在输入值小于0时存在一个很小的值,保留神经元的梯度值,能够解决ReLU函数中神经元死亡的问题。将CenterNet网络中的ReLU激活函数改进为LeakyReLU函数。同时改进了主干网络,综合考虑浮点运算数量和网络深度等因素,将原CenterNet网络主干网络改为ResNet-50,并且增加了空间金字塔池化结构(SPP),能更好提取特征信息,针对交通场景重新训练神经网络,利用测试集数据对神经网络进行测试。试验结果表明:对CenterNet算法进行优化后目标检测的召回率和精确率得到了提高,其综合评价指标F1值平均提高了0.14,mAP由83.18%提高至87.35%,FPS指标虽略有下降,但其他性能指标提升明显,说明改进的CenterNet目标检测模型具有较高的交通场景目标检测能力。