面向移动计算环境的轻量级SSD车辆检测算法研究
随着我国汽车保有量的逐年增加，为了缓解交通压力提升通行效率，智能交通系统的建设显得越发重要。近年来由于深度神经网络的快速发展，使得目标检测模型在检测精度与识别准确率上大幅提升，成为了智能交通系统中解决车辆检测问题的有效工具。 本文以智能交通系统中的实时车辆检测作为研究任务，从特征提取网络、激活函数、非极大值抑制算法、损失函数等方面对SingleShotMultiBoxDetector(SSD)目标检测算法进行精简和改进，并从应用部署的角度对改进后的SSD车辆检测算法进行权重量化，迁移到终端设备上测试。本文旨在建立一个轻量级的车辆目标实时检测算法，研究工作主要包括以下内容： (1)提出一种基于残差连接与注意力机制结合的轻量级特征提取网络应用于SSD目标检测算法，该方法首先将残差块(Residualblock)与注意力块(SEblock)中的激活函数改进为计算量更少的h-swish与h-sigmoid激活函数来降低计算负载，并提出了轻量级的SE-ResNet20特征提取网络。然后结合输入图像大小及特征图感受野来减少SSD算法的特征图融合层数，根据实际应用中特定角度下车辆外形比例简化默认框的生成比例，进一步降低车辆检测模型的运算量。 (2)在损失函数与非极大值抑制算法上对原作的SSD目标检测算法进行改进，该方法首先在损失函数上采用了性能更为优异的GeneralizedFocalLoss(GFL)损失函数，在不增加额外计算量的情况下减少了训练和推理之间的差距，并将NMS算法替换为了Soft-NMS算法提升对重叠目标的检测率，然后采用了轻量级的MobileNetv3-small作为主干特征提取网络，并在该网络中增加了一层卷积用于增大特征图感受野范围，增加对小目标车辆识别的准确率。 (3)对改进后的轻量级车辆检测算法部署到终端设备，首先将主机上面训练完成的模型文件及权重文件转换神经计算棒(NCS2)能够识别及加速推理的IR文件，然后通过量化缩减数值精度，进一步减小车辆检测算法所需计算量，最后迁移到由树莓派和神经计算棒搭建的实验设备上进行车辆检测任务实验。
深度学习;车辆检测;SSD算法;边缘计算;轻量级网络
重庆师范大学
硕士
计算机系统结构
杨德刚
2021
中文
TP391.41
2021-11-11（万方平台首次上网日期，不代表论文的发表时间）