Resumen

El rendimiento de la detección de objetos basada en redes neuronales convolucionales (CNN) ha alcanzado un éxito increíble. Sin embargo, los algoritmos existentes basados en CNN adolecen del problema de que los objetos a pequeña escala son difíciles de detectar porque pueden haber perdido su respuesta cuando el mapa de características ha alcanzado cierta profundidad, y es habitual que la escala de los objetos (como coches, autobuses y peatones) contenidos en las imágenes y vídeos de tráfico varíe mucho. En este artículo, presentamos una red neuronal convolucional de 32 capas denominada MBNet para la detección rápida de objetos en escenas de tráfico. Nuestro modelo utiliza tres ramas de detección, en las que se utilizan mapas de características con un tamaño de 16 × 16, 32 × 32 y 64 × 64, respectivamente, para optimizar la detección de objetos de tamaño grande, medio y pequeño. Mediante una función de pérdida multitarea, nuestro modelo puede entrenarse de principio a fin. Los resultados experimentales muestran que nuestro modelo alcanza el rendimiento más avanzado en términos de precisión y tasa de recuperación, y la velocidad de detección (hasta 33 fps) es rápida, lo que puede satisfacer los requisitos de tiempo real de la industria.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:objeto a escala, mapa de características, red neuronal convolucional-, detección rápida de objetos, requisitos de la industria, detección de objetos basada, red neuronal convolucional, logró un éxito increíble, escala del objeto, términos de precisión
• Keywords:scale object, features map, convolutional neural network-, fast detecting object, requirements of industry, based object detection, convolutional neural network, achieved incredible success, scale of object, terms of precision