基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
自动驾驶场景中交通标志的检测和识别十分重要,为提高自然场景下交通标志检测精度,本文中提出了一种基于Cascade-RCNN改进的交通标志识别算法.首先,针对交通标志这类小目标特殊任务,将FPN模块的深层特征信息融合进浅层特征层.其次,改进了目标检测任务中的评价指标IoU,引入目标检测任务的直接评价指标GIoU指导定位任务,提高了检测精度.最后,算法在德国交通标志数据集GTSDB下进行了实验验证,以Res-Net101为基础特征提取网络,mAP可达98.8%,实验结果表明了所提算法的有效性,具有优越的工程实用价值.
推荐文章
应用深层卷积神经网络的交通标志识别
交通标志
识别
卷积神经网络
深度学习
基于卷积神经网络的实景交通标志识别
卷积神经网络
深度学习
交通标志识别
训练
基于轻量型卷积神经网络的交通标志识别
卷积神经网络
交通标识
图像增强
深度可分离卷积
激活函数
基于多尺度卷积神经网络的交通标志识别
模式识别系统
交通标志识别
多尺度卷积神经网络
SoftMax分类器
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于改进级联卷积神经网络的交通标志识别
来源期刊 汽车工程 学科
关键词 交通标志检测 深度学习 卷积神经网络 级联RCNN
年,卷(期) 2020,(9) 所属期刊栏目
研究方向 页码范围 1256-1262,1269
页数 8页 分类号
字数 语种 中文
DOI 10.19562/j.chinasae.qcgc.2020.09.016
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 陈龙 368 3236 25.0 34.0
2 蔡英凤 56 247 9.0 14.0
3 王海 38 221 9.0 13.0
4 刘泽 4 7 2.0 2.0
5 王宽 5 6 1.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (5)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1997(1)
  • 参考文献(1)
  • 二级参考文献(0)
2003(1)
  • 参考文献(1)
  • 二级参考文献(0)
2008(1)
  • 参考文献(1)
  • 二级参考文献(0)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
交通标志检测
深度学习
卷积神经网络
级联RCNN
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
汽车工程
月刊
1000-680X
11-2221/U
大16开
北京市西城区莲花池东路102号天连大厦1003室
2-341
1979
chi
出版文献量(篇)
4728
总下载数(次)
23
总被引数(次)
66645
论文1v1指导