CN110796168A 一种基于改进YOLOv3的车辆检测方法 （江苏大学）

本发明属于深度学习和智能车道路检测领法，重新设计Darknet层与三个yolo层之间的卷于YOLO-TN和YOLOv3的车辆检测模型，完成车辆2即YOLO-TN网络，三个平行分支网络都加入具有不同膨胀率(dilationrate)的空洞卷积(dilatedconvolution)，使得三个平行分支网络具有不同的感受野(receptivefield)，3)定义损失函数，通过K-means聚类方法生成锚框(anchorbox4)基于BN(BatchNormalization)层中的γ系数对YOLO-TN网络进行模型剪枝，压缩2.如权利要求1所述的基于改进YOLOv3的34.如权利要求1所述的基于改进YOLOv3的车辆检测方法构建的车辆检测数据集包括训练集、测试集、验证集，所述训练集用于训练YOLO-TN和心点坐标(,s)宽和高(o,i),以及该标注框的标签，标记为Car。5.如权利要求1所述的基于改进YOLOv32-D为一个权上式左边为gridcell中存在车辆时的置信度损失，计算3个边界框与标注框(ground6.如权利要求1所述的基于改进YOLOv3的车辆4其中，分子表示锚框和标注框相交的面积大小，分母3.3)将所有标注框分配完毕后，分别计算每个聚类中心所属的标注框宽和高的平均7.如权利要求1所述的基于改进YOLOv3的车辆3.a)采用在ImageNet数据集上预先训练好的Darknet模型参数作为YOLO-TN和YOLOv33.c)yolo层中特征图被划分成S×S个网格(gridcell)，利用K-means聚类得到的锚w8.如权利要求1所述的基于改进YOLOv3的车辆9.如权利要求1所述的基于改进YOLOv3的车辆5.1)将测试集中的图片大小调整为416×416，分别输入到训练好的YOLOv3和YOLOx)+Cx)/W55.3)yolo层特征图中每个gridcell都分配三个锚框，通过非极大值抑制(non-6[0004]CN106203506B公开了一种基于深度学习技术的行人[0005]CN109002807A公开了一种基于SSD神经网络的驾驶场景车辆检测方法，该方法包[0008]1)修改卷积神经网络结构，在Darknet层与三个yolo层之间设计三个平行分支的7卷积(dilatedconvolution)，使得三个平行分支网络具有不同的感受野(receptive8述训练集用于训练YOLO-TN和YOLOv3网络模型，所述测试集用于测试训练得到的模型的精标注框(groundtruth)的中心点坐标(i,)宽和高(n,i),以及该标注框的标签，标记为[0038]其中λcoord＝5，用于增大含有[0041]上式左边为gridcell中存在车辆时的置信度损失，计算3个边界框与标注框i和Hi为锚框的宽和高；9[0055]3.a)采用在ImageNet数据集上预先训练好的Darknet模型参数作为YOLO-TN和[0056]3.b)将训练集中的图片分辨率调整为416×416w[0067]5.1)将测试集中的图片大小调整为416×416，分别输入到训练好的YOLOv3和[0074]5.3)yolo层特征图中每个gridcell都分配三个锚框，通过非极大值抑制(non-[0087]本发明提出了一种基于改进的YOLOv3的车辆检测方法，该方法的整体流程如图1方案，保证了各个分支能够训练与该分支感受野相匹配的目标。除了dilationrate不同[0089]上述步骤(1)中的YOL[0110]步骤(1)中空洞卷积卷积核的大小与普通的卷积相同，不同点在于空洞卷积额外引入了一个超参数即膨胀率，根据膨胀率的不同，相当于在卷积核之间添加了(dilation[0117]采用在ImageNet数据集上预先训练好的Darknet模型参数作为YOLO-TN和YOLOv3[0118]将训练集中的图片分辨率调整为416×416，然后分别输入到YOLO-TN和YOLOv3网w每训练200次保存一个模型的权重文件，之后每隔1000次保存一次权重文件，直至训练结[0144]将所有标注框分配完毕后，分别计算每个聚类中心所属的标注框宽和高的平均[0146](4)基于BN(BatchNormalization)层中的γ系数对YOLO-TN网络进行模型剪枝，[0149]将测试集中的图片大小调整为416×416，分[0156]yolo层