基于对抗神经网络的增强YOLOv3模糊目标检测

2021-10-18 01:50:06梁铭峰成都信息工程大学四川成都610000
计算机应用与软件 2021年10期
关键词:检测模型

梁铭峰 李 蠡(成都信息工程大学 四川 成都 610000)

0 引 言

随着高速公路与高速城市道路交通事故频率的不断攀升,防碰撞预警辅助装置的需求也在日益增多。由于行车记录仪的镜头物理特性导致在高速情况下出现图像失真、检测目标模糊等情况,通过消除模糊并提前预警前车的突然出现或者异常状况可以最大程度地使驾驶员做出相应的防御措施。模糊图像去模糊方法分为两种不同的类型:盲目和非盲目去模糊。早期传统方法主要围绕着非盲目去模糊展开,如Lucy提出的一种基于贝叶斯理论且使用最频繁、变体最多的迭代去卷积方式Lucy-Richardson图模糊算法[1]。Wiener或Tihkonov regularization范数最小化误差去卷积正则法也是最常用于获得IS估计的两种方法[2]。但在实际中很难找到适合模糊图像的滤波系数,因为每一个模糊图像的像素模糊都存在不确定性,无法预先设定好系数使其完美滤波。自从生成对抗模型被提出以来,GAN已经扩展到各种应用程序[3]。针对高速运动模糊的运用场景,本文对于模糊图像的处理采用生成对抗网络(GAN)。相较于传统处理模糊图像的方法,GAN网络的效率更高,对于图像的重建效果更好。本文采用的GAN网络主要为DeblurGAN[4],是基于条件对抗式生成网络和内容损失的端对端学习网络。深度检测算法可以分为“one-stage”和“two-stage”两类;“two-stage”检测算法将检测问题划分为两个阶段,首先产生候选区域(region proposals),然后对候选区域进行识别位置调整与目标分类,这类算法的典型代表是基于region proposal的R-CNN系算法[5],如R-CNN[6]、SPPNet[7]、Faster R-CNN[8]、FPN[9]、R-FCN系列算法[10]。……

登录APP查看全文

猜你喜欢
检测模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
3D打印中的模型分割与打包
小波变换在PCB缺陷检测中的应用
FLUKA几何模型到CAD几何模型转换方法初步研究
一个相似模型的应用