摘要:随着人工智能技术的不断发展,利用深度学习进行车辆识别已经成为智能交通领域的热点。以更快速区域卷积神经网络(Faster R-CNN)模型为基础,利用BIT-Vehicle数据集定义车辆视觉任务,利用改进的困难样本算法加强对图像中远小目标车辆的特征提取,并改进NMS算法的置信度函数,动态调整置信度区间,对实际场景中的车辆图像进行测试。该方法可输入多尺度图像、能自主提取车辆特征,提高模型对小目标的判别能力,减少漏检情况,提升检测精度,加速模型收敛,鲁棒性较强。
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社
热门期刊服务
教育研究与评论·课堂观察 教育研究与评论·小学教育教学 首都医科大学学报·社科版 雷达与对抗 冶金设备管理与维修 药物分析 高校辅导员学刊 大学物理实验 临床普外科电子 集美大学学报·自然科学版 石油地球物理勘探 拖拉机相关文章
改进工作作风心得体会