基于Libra R-CNN改进的交通标志检测算法

随着人工智能领域的快速发展,深度学习在无人驾驶领域中的应用逐渐成熟,但是其中交通标志检测任务作为难点问题仍有很大的改进空间.城市道路下的交通标志检测具有环境复杂、小目标多、目标种类多且数量不平衡的特点,针对这些问题,提出基于Libra R-CNN进行改进的方案.Libra R-CNN目标检测网络是基于平衡提出的,能够较好应对目标种类多及数量不平衡问题,在Libra R-CNN网络的锚框提取样本阶段,使用GA-RPN生成锚框,从而在训练期间产生更精确、更多样化的样本,减少背景影响和小目标不好定位的问题,提高检测准确率.该方法通过试验验证了有效性.试验是在MS COCO 2017和交通标志数据集上进行的.改进后的LibraR-CNN的mAP提高了超2.7个百分点.试验结果表明,改进后的网络相比原有的目标检测网络性能有了显著提升.