改进Mask R-CNN的交通场景多目标快速检测与分割

作     者：伍锡如 邱涛涛 王耀南 Wu Xiru;Qiu Taotao;Wang Yaonan

作者机构：桂林电子科技大学电子工程与自动化学院桂林541004 湖南大学电气与信息工程学院长沙410082 

出 版 物：《仪器仪表学报》 (Chinese Journal of Scientific Instrument)

年 卷 期：2021年第42卷第7期

页      面：242-249页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61863007) 广西自然科学基金(2020GXNSFDA238029) 广西研究生教育创新计划(YCSW2020159,2021YCXS122) 广西研究生教育创新计划(C20YJM00BX0M)项目资助 

主　　题：MobileNet 目标检测 实例分割 深度学习 

摘      要：针对智能驾驶中出现的交通场景多目标检测与分割效率低、鲁棒性差等问题,提出一种改进的Mask R-CNN交通场景多目标快速检测与分割方法。首先采用轻量级MobileNet作为骨干网络,有效减少网络参数并压缩模型体积,提升后续嵌入式端的算法移植能力,其次通过优化FPN与骨干网络卷积结构,保证高底层之间特征信息的完整传递,通过调整超参数得到交通场景多目标检测与分割改进网络模型。设计不同交通场景下的对比实验,改进网络能够准确实现多目标的检测与分割,平均检测精度可达85.2%。在ApolloScape和NuScence数据集上进行迁移实验,改进网络展示出良好的泛化能力。本文所提出的改进骨干网络与网络结构优化,能够适应多种复杂交通场景,完成交通场景多目标的快速检测与分割,为智能驾驶提供了理论依据与技术方案。