Page 108 - 安防19年12月刊_150dpi

I 智能交通
Intelligent Traffic

同，DDN网络在最后一个模块里，所有卷积的通道数 依赖预先设置的锚框（anchors），根据实际数据集调整
都设置为256。实验证明，该卷积层通道数是256（记 anchors 的尺寸分布，该分布由K-means算法得到，使用
为DDN-256网络）和通道数是1024（记为DDN-1024网 (1-IoU)作为距离度量，其中IoU表示先验候选框与标记框
络）相比，精度几乎没有下降或下降极少（由实际数据 之间面积的交并比。对数据进行左右翻转、随机裁剪、
集决定），却极大减少了计算量。另外，在最后一个模块 色彩抖动等数据增强操作，不断调整学习率、批量大小
中只有4个残差模块，在这里使用Bottleneck结构（瓶颈 （batch_size）、优化方法等超参数来训练DPDN网络。
结构），通过在每个模块的首尾分别添加1*1的卷积可 实验结果如表1所示，对比方法有Faster R-CNN和
以进一步减少计算量，加快预测速度，同时可以增加网 YOLO方法，在检测速度和精度两个重要维度进行对
络的深度和增加非线性，提升网络精度。 比，可以看到本方法全面优于上述两种算法。

整个DPDN网络以DDN网络作为骨干网络，检测部
表1 实验结果对比表
分借鉴FPN思想，使用特征融合的手段进行多层检测，
方法 检测速度（img/s） 检测精度
整体思路可以概括为，使用浅层的大的特征图检测小目 Faster R-CNN 4 86.2%
YOLO 38 85.3%
标，使用深层的含更多语义信息的特征图检测大目标。
本文方法 50 91.2%
在FPN中，通过融合深层的含有较多语义信息的特征和
浅层的语义信息较少的特征，可以更好地定位各种尺度 本文方法的车辆检测结果展示如图1所示。
的目标。
损失函数
在网络的损失函数的分类部分加入了Focal loss（焦
点损失）和OHEM（Online hard example mining，在线困
难样本挖掘）方法，检测部分使用YOLO方法里面的L2
损失函数。在线困难样本挖掘方法是在计算损失的时
候重点关注比较难的样本，即损失比较大的那些样本， ▲图1 本文方法检测结果
通过加权的方式来处理不同大小的损失。焦点损失可
结论
以让网络更加关注难识别的样本，设计加权损失函数，
本 文 在 YO L O基 础 上 设 计 新 的目标 检 测网 络
减少简单样本损失在总的损失中的比例，进行难例挖
DPDN。本方法的骨干网络是DDN，在末端卷积模块使
掘，可以进一步提升精度。式1为焦点损失公式。
用残差网络的瓶颈结构，引入扩张卷积，在不减小特征
γ
FL(p t )= -α t (1-p t ) log(p t ) （式1）
图的同时增大感受野，同时减少卷积通道数，在损失函
上式中p t 表示目标检测结果中类别的识别概率，取
数方面引入焦点损失函数，可以让模型更关注困难样
值0~1之间，log自然对数，γ表示焦点参数,是一个0~1
本。改进检测网络和设计更合适的候选框。在检测部
之间的数，α t 是一个调制系数，是一个0~1之间的数，
分，设计了一个新的检测网络，因为骨干网络使用了扩
用来控制正负样本在总的损失中的比重。
张卷积，最后两个模块的特征图的尺寸相同，可以不用
做上采样。最终本文方法取得了较好的检测结果。
训练和实验结果
使用预训练模型，先把DDN单独在ImageNet上训练
作者单位：时文忠，深圳北斗通信科技有限公司；王忠荣，电子科技大
分类模型，用来初始化骨干网络，后面检测部分的一些
学信息与通信工程学院
层使用随机初始化方法。本方法是单阶段训练方法，

90 第九届深圳国际智能交通与卫星导航位置服务展览会(2020年深圳会展中心)www.its-expo.com

ᇆିࢌ๙ JOEE ྒ௹ඹ