• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進門控上下文聚合網(wǎng)絡(luò)的霧天實時行人檢測方法*

    2023-05-29 10:00:02王宇寧關(guān)藝搏田韶鵬
    汽車工程 2023年5期
    關(guān)鍵詞:霧天行人卷積

    吳 桐,王宇寧,4,關(guān)藝搏,田韶鵬,4

    (1.武漢理工大學,現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室,武漢 430070;2.武漢理工大學,汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心,武漢 430070;3.武漢理工大學,湖北省新能源與智能網(wǎng)聯(lián)車工程技術(shù)研究中心,武漢 430070;4.先進能源科學與技術(shù)廣東省實驗室,佛山仙湖實驗室,佛山 528200)

    前言

    在復雜的交通場景中,行人檢測技術(shù)對智能駕駛汽車起著至關(guān)重要的作用,它能時刻檢測道路中的行人并確定方位,幫助智能駕駛汽車做出更優(yōu)的駕駛決策。然而在霧天場景中,霧氣的存在往往會嚴重降低車載相機采集圖像的可見度,從而影響行人的檢測精度。因此,提升霧天場景下的行人檢測精度對降低交通事故的發(fā)生率有重要意義。

    傳統(tǒng)的行人檢測方法利用HOG(histogram of oriented gradient)[1]、SIFT(scale-invariant feature transform)[2]等特征提取算子提取行人輪廓和紋理等,然后通過訓練特征分類器(支持向量機(SVM)[3]、Adaboost[4]等)來執(zhí)行檢測任務(wù)。該類方法魯棒性差,計算量大,無法滿足實際應用中對實時性和準確性的要求?;谏疃葘W習的方法已在行人檢測中占領(lǐng)主導地位,其根據(jù)檢測步驟可分為兩大類:一類是基于區(qū)域建議的two-stage 檢測方法(包括Faster-RCNN[5]、Cascade-RCNN[6]等),另一類是基于回歸的one-stage 檢測算法(包括YOLO[7]、SSD[8])。前者存在精度高但實時性差的特點,后者提高了檢測速度,卻犧牲了檢測精度。這是由于RCNN 系列、YOLO 系列和SSD 系列等算法均引入了錨框(Anchor)機制,導致了正負樣本不均衡,超參數(shù)多,計算復雜等問題。而由Zhou 等[9]提出的基于無錨框(Anchor-free)的CenterNet 算法,旨在將檢測任務(wù)歸納為中心點預測+基于中心的寬高屬性偏移問題,超參數(shù)少,達到了速度與精度的平衡。

    過去的行人檢測研究通常在良好的光照和天氣下進行,然而對于霧天條件下的研究較少?;谏疃葘W習的檢測算法,能在清晰圖像上表現(xiàn)出優(yōu)良的檢測性能,然而一旦轉(zhuǎn)移到霧天條件下,其檢測精度就會嚴重退化。為解決霧天場景下行人檢測性能差的問題,Hu 等[10]將圖像增強建模為一組可微濾波器,結(jié)合GAN[11]結(jié)構(gòu)實現(xiàn)端到端的圖像增強;Guo等[12]設(shè)計弱光圖像增強網(wǎng)絡(luò)Zero-DCE,通過一組像素級曲線參數(shù)改善圖像光線暗的問題;Liu 等[13]提出了圖像自適應檢測框架IA-YOLO,利用完全可微的圖像處理模塊去除圖像中特定的天氣信息并增強潛在信息。此外,部分研究者使用除霧算法來改善霧天的檢測性能?;诖髿馍⑸淠P停?4],早期提出了暗通道先驗[15]、最大對比度[16]、顏色衰減先驗[17]等方法。鑒于CNN 的成功,Cai 等[18]提出名為DehazeNet 的端到端可訓練系統(tǒng),以模糊圖像為輸入,生成其中間投射圖,隨后通過大氣散射模型輸出清晰圖像;Li等[19]重新定義大氣散射模型,設(shè)計了可直接生成清晰圖像的AOD-Net;然而依賴于先驗知識的除霧算法應用于真實霧天圖像時,會產(chǎn)生固有的性能損失,生成質(zhì)量低下的除霧圖像[20];因此GridDe-hazeNet[21]、GCANet[22]等提出了不依賴于先驗的端到端除霧算法,試驗證明其在合成霧天和自然霧天數(shù)據(jù)集上的除霧效果均優(yōu)于前者。Chen等[23]將不同天氣下采集的數(shù)據(jù)集差異視為域偏移,并基于Faster-RCNN 分別從圖像層面和實例層面增設(shè)域適應組件,以減少域差異;Zhang 等[24]在此基礎(chǔ)上設(shè)計DA-YOLO,使算法對不同尺度實例的域偏移具有魯棒性??偨Y(jié)相關(guān)文獻可知,現(xiàn)有改善霧天檢測性能的方法主要有:(1)對霧天圖片采取自適應增強,以揭示目標潛在信息;(2)使用除霧算法來改善圖像清晰度;(3)利用域適應提高目標檢測算法的跨域魯棒性。然而將圖像處理置于檢測任務(wù)前,雖然可以明顯提高檢測精度,但額外的預處理操作增加了時間成本,無法滿足實時性[25]。因此,如何在不影響檢測效率的同時提高霧天場景下檢測算法的泛化性能成為難點。

    針對上述問題,本文中首先以具有優(yōu)良除霧效果的端到端除霧網(wǎng)絡(luò)——門控上下文聚合網(wǎng)絡(luò)(gated context aggregation network,GCANet)為基礎(chǔ),設(shè)計一種復合損失函數(shù)以優(yōu)化去霧圖像的結(jié)構(gòu)信息,獲得更加自然清晰的圖像,幫助檢測網(wǎng)絡(luò)學習更準確的目標特征。其次,為獲得優(yōu)秀的檢測性能,選擇Anchor-free 的CenterNet 作為檢測網(wǎng)絡(luò);最后將經(jīng)過改進的GCANet 網(wǎng)絡(luò)應用于霧天訓練數(shù)據(jù)集的預處理中,送入CenterNet 網(wǎng)絡(luò)訓練。在推理時,直接使用預訓練好的CenterNet 網(wǎng)絡(luò)處理原始帶霧圖像,得到行人檢測結(jié)果,并依次在合成霧天數(shù)據(jù)集Foggy Citypersons 和真實霧天數(shù)據(jù)集RTTS[26]上進行對比試驗,算法流程圖如圖1所示。

    圖1 算法流程圖

    1 改進的GCANet去霧算法

    1.1 GCANet概述

    以往的去霧算法中,圖像預處理方法是基于回歸并加上人為設(shè)計的先驗條件(如大氣散射模型、暗通道先驗等),通過估計中間傳輸映射圖間接生成清晰圖像。本文中采用的GCANet網(wǎng)絡(luò)不依賴于先驗知識,而是采用端到端的方式回歸清晰圖像和霧天圖像之間的殘差,最終累加到霧天圖像上以生成清晰圖像。

    GCANet網(wǎng)絡(luò)主要由編碼器、解碼器和特征融合3個部分組成,算法的模型結(jié)構(gòu)如圖2所示。

    圖2 GCANet網(wǎng)絡(luò)結(jié)構(gòu)圖

    其中解碼器和編碼器各包含3 個卷積層,且成對稱結(jié)構(gòu)。編碼器用來提取霧天圖像的特征,最后一層卷積對特征圖進行一次下采樣;相應地,解碼器使用一個反卷積層將特征圖上采樣到原始分辨率,末端兩個卷積層將特征圖映射到原始圖像空間上,以獲得清晰圖像與霧天圖像之間的殘差,最終將殘差加到霧天圖像上得到清晰圖像。特征融合部分主要用來聚合更多的上下文信息,并應用門控子網(wǎng)絡(luò)自適應地將不同深度的特征圖進行融合,這些特征圖涵蓋了豐富的色彩和結(jié)構(gòu)信息,能有效提高清晰圖像的視覺效果。其結(jié)構(gòu)上使用了包含分離共享卷積的平滑空洞[27]殘差塊,能夠融合輸入特征圖中每個單元的相鄰信息,緩解傳統(tǒng)空洞卷積網(wǎng)格偽影化的情況。

    門控子網(wǎng)絡(luò)G融合不同深度的特征圖信息。分別從高、中、低不同深度提取特征圖Fl、Fm、Fh,將其作為門控子網(wǎng)的輸入,根據(jù)學習到的重要性權(quán)重Ml、Mm、Mh將特征進行線性組合,如式(1)和式(2)所示。

    融合特征圖FO最終被送入解碼器以獲得目標殘差。門控子網(wǎng)由一個卷積核大小3×3 的卷積層組成,輸入通道數(shù)為3。其結(jié)構(gòu)原理如圖3所示。

    圖3 門控子網(wǎng)絡(luò)結(jié)構(gòu)原理圖

    1.2 改進的損失函數(shù)

    針對原始GCANet 算法僅考慮去霧圖的像素級特征,忽略了圖像內(nèi)容的整體性,而導致結(jié)構(gòu)信息丟失嚴重及圖像失真的問題,本文中設(shè)計一種包含圖像重構(gòu)損失和圖像結(jié)構(gòu)相似損失的復合損失函數(shù),同時考慮了高層細節(jié)信息(內(nèi)容特征與全局結(jié)構(gòu))及底層像素信息。其中圖像重構(gòu)損失采用smooth L1 損失函數(shù),用來反映底層像素信息,其函數(shù)表達式為

    式中:N為像素點總數(shù);n為像素點位置;i為通道數(shù);γi(n)和分別對應第i通道上像素點n處真實情況和預測到的霧天圖像和清晰圖像之間的殘差;Ei為無霧圖像和霧天圖像之間的真實殘差及模型推理得到的除霧圖像和霧天圖像之間殘差的差距。

    圖像結(jié)構(gòu)相似損失采用感知損失[28](perceptual loss)反映圖像的高層特征信息,其目的是使圖像視覺效果更貼近人眼直觀感受。具體做法是將真實清晰圖像卷積得到的特征圖與預測清晰圖像卷積得到的特征圖作比較,使模型預測圖與真實清晰圖在語義上更加相似。其表達式為

    該損失函數(shù)采用在ImageNet 上預訓練好的VGG-16[29]網(wǎng)絡(luò),取前3 層的特征激活值進行損失計算。式(5)中:j表示輸出的特征層位置;Cj、Hj、Wj分別表示第j層特征圖的通道數(shù)以及高寬和Fj(y)分別對應預測清晰圖和真實清晰圖在VGG-16的第j個卷積層后得到的特征圖。

    綜上所述,本文采用的復合損失函數(shù)公式為

    式中:LsmoothL1代表smooth L1 損失;LP代表感知損失;W1和W2表示損失的權(quán)重系數(shù),本文均取0.5。

    本文設(shè)計的復合損失函數(shù)相較原始的均方差(MSE)損失函數(shù)提升了去霧圖與清晰圖像間的結(jié)構(gòu)相似性,進一步減少紋理、對比度、色彩保真度以及明暗程度差異。

    2 行人檢測算法

    采用CenterNet 算法作為霧天行人的檢測網(wǎng)絡(luò)。該算法將目標檢測任務(wù)轉(zhuǎn)化為中心點估計和基于中心點的寬高屬性偏移回歸問題。結(jié)構(gòu)上,CenterNet網(wǎng)絡(luò)由特征提取網(wǎng)絡(luò)、反卷積模塊(DeConvolution)和預測網(wǎng)絡(luò)3個部分組成,如圖4所示。

    圖4 CenterNet網(wǎng)絡(luò)結(jié)構(gòu)

    (1)特征提取網(wǎng)絡(luò) 本文采用輕量的ResNet-18[30](Residual Network-18)作為特征提取網(wǎng)絡(luò)。為提升收斂速度,訓練過程中所有BN 層均參與訓練。提取特征前對輸入圖片進行resize處理,獲得通道數(shù)為3、尺寸大小為512×512 的圖片。然后送進ResNet-18 輸出下采樣32 倍的特征圖,通道數(shù)變?yōu)? 048,尺寸大小為16×16。

    (2)反卷積模塊 由3 個反卷積組構(gòu)成,每組包含一個可變形卷積(deformable convolution v2,DCN v2)和一個反卷積。該模塊利用3次上采樣,最終輸出大小為128×128、通道數(shù)為64 的高分辨率特征圖。該特征圖將整張圖片劃分為128×128 個區(qū)域,每個區(qū)域?qū)粋€特征點,用來確定物體中心是否落在該區(qū)域。

    (3)預測網(wǎng)絡(luò) 預測網(wǎng)絡(luò)擁有3 個分支,分別輸出中心點熱圖(heatmap)、物體寬高(size)及中心點與熱力點的偏移情況(offset)。

    根據(jù)CenterNet 網(wǎng)絡(luò)的檢測原理,訓練得到行人檢測模型的總損失Ldet,是熱圖損失Lk、中心點偏移損失Loff和尺寸損失Lsize的加權(quán)和,如式(7)所示。

    式中行人檢測的熱圖損失函數(shù)參考Focal Loss[31]構(gòu)造而成,以緩解正負樣本不均衡。中心點偏移損失使用L1 Loss 構(gòu)造,以彌補輸入圖像真實框中心點映射到低分辨率圖像過程中坐標位置向下取整導致的位置偏移。尺寸損失函數(shù)同樣使用L1 Loss構(gòu)造。

    在預測階段中,按類別在熱圖上提取峰值點。峰值點的具體篩選是采用一個3×3 的最大池化層獲取熱圖中的中心點,并保留前100 個點值大于(或等于)其8 個相鄰點值的中心點。每個中心點記為整形坐標(xi,yi),根據(jù)檢測到的置信度Y^xiyic篩選最終結(jié)果?;貧w產(chǎn)生的預測框如下:

    3 試驗

    3.1 試驗配置

    本文提出模型的訓練及測試均在Ubuntu20.04系統(tǒng)下,運行內(nèi)存為16 GB,使用NVIDIA GeForce RTX 3060型GPU,并行計算架構(gòu)版本為CUDA11.1。采用python3.7 和基于PyTorch1.8.0 的深度學習框架。

    3.2 數(shù)據(jù)集

    除霧算法和檢測算法分別對應低級圖像處理任務(wù)和高級檢測任務(wù),兩種算法訓練時所用到的數(shù)據(jù)集及標注信息存在較大差異??紤]到收集大量成對的真實世界霧天圖像和無霧圖像的不實際性,且交通場景下的行人檢測是在室外條件下進行,本文中使用大規(guī)模合成數(shù)據(jù)集RESIDE[31]中的戶外訓練集(OTS)訓練去霧網(wǎng)絡(luò),以適應室外條件的去霧任務(wù)。

    針對霧天條件下行人檢測算法的訓練和測試,分別采用合成的霧霾城市行人數(shù)據(jù)集Foggy Citypersons和真實世界任務(wù)驅(qū)動測試集RTTS。

    本文中將Foggy Cityscapes[32]數(shù)據(jù)集圖片和Citypersons[33]標注文件得到的組合數(shù)據(jù)集命名為Foggy Citypersons。Foggy Cityscapes 數(shù)據(jù)集是基于Cityscapes[34]生成的合成霧天駕駛場景數(shù)據(jù)集,合成數(shù)據(jù)集包含5種版本,對應不同的模擬衰減系數(shù)β以產(chǎn)生不同的霧氣濃度。本文選取β∈{0.005,0.01,0.02}3 種版本,并從中隨機取樣,獲得一組混合的濃霧、中霧、薄霧圖像,包含訓練圖2 975 張,驗證圖500 張。由于檢測類別專注于行人,注釋信息采用COCO 格式的Cityscapes 子集Citypersons 的標注文件,該標注文件中僅包含人類的類別,Citypersons 按照行人遮擋情況將數(shù)據(jù)集進一步分割成3 個子集,分別是Reasonable、Smaller、Heavy,本文不考慮行人的遮擋情況,訓練時只使用Reasonable。

    RTTS[26]是一個真實的霧天數(shù)據(jù)集,可用于檢測任務(wù)。其包含4 322 張從網(wǎng)絡(luò)上收集的自然霧天圖像,圖像視角主要以行人及駕駛員等交通參與者的第一視角為主,涵蓋豐富的交通場景,且每張圖像都對目標類別及位置進行了標注。標注類別包括行人、汽車、摩托車等5 種類別,這里只采用行人一種類別。

    3.3 GCANet網(wǎng)絡(luò)訓練及去霧結(jié)果分析

    利用OTS戶外訓練集訓練改進的GCANet網(wǎng)絡(luò),參數(shù)設(shè)置如下:輸入圖像尺寸調(diào)整為512×512。整個網(wǎng)絡(luò)采用Adam 優(yōu)化器訓練,批次訓練大?。╞atch size)為12,衰減系數(shù)β1、β2默認值為0.9 和0.999。學習率設(shè)置為0.001,epoch 為10,每兩個epoch 學習率衰減為原來的一半。

    將訓練好的模型分別應用于合成的霧天數(shù)據(jù)集Foggy Citypersons 和真實霧天數(shù)據(jù)集RTTS,以適應后續(xù)的行人檢測任務(wù)。圖5 展示了兩組數(shù)據(jù)集處理前后的圖像對比情況(左上方3 組圖像為RTTS,分別對應RTTS 數(shù)據(jù)集的薄霧、中霧、濃霧不同除霧效果;另兩組為Foggy Citypersons)。

    圖5 除霧示例圖

    從視覺比較看,不同濃度霧氣的交通場景圖像經(jīng)過改進GCANet 處理后,均生成了質(zhì)量較好的去霧圖像,減弱了霧氣對行人特征的遮擋,產(chǎn)生了自然曝光且清晰的細節(jié),行人特征的識別度提高。其中,薄霧情況下的除霧效果更加徹底;針對霧氣較大的中霧及濃霧情況,近處的除霧效果較好,遠處霧氣存留較為明顯。

    考慮自然霧天圖像沒有作為參照的清晰圖像,本文通過合成霧天圖像的處理情況客觀驗證改良模型的有效性,因此使用Foggy Citypersons 數(shù)據(jù)集進行測試目的之一是以便將改進的去霧算法與基線進行定量比較。使用峰值信噪比(peak signal-to-noise ratio,PSNR)和結(jié)構(gòu)相似性(structural similarity,SSIM)來定量評估處理前后的圖像質(zhì)量。其中PSNR 是基于像素誤差衡量霧天圖像與處理圖像之間的相似性,PSNR 越大,則表示圖像質(zhì)量越好。給定一組大小為M×N的帶霧圖像I和處理圖像J,PSNR的計算公式為

    式中MSE表示霧天圖像與處理圖像之間的均方誤差,即

    SSIM 是基于亮度、對比度和結(jié)構(gòu)3 個方面衡量圖片的失真程度以及兩張圖像的相似性的指標,該值越大,則表明圖像越相似。對于一組圖像M和K,SSIM的計算公式為

    式中:α、β、γ代表亮度、對比度和結(jié)構(gòu)在SSIM 衡量中的占比;μM、μK分別為M、K均值分別為M、K方差;σMK為M、K的協(xié)方差。

    對比過程中以合成霧天數(shù)據(jù)集合成前對應的原始清晰圖像作為基準圖像,從Foggy Citypersons 數(shù)據(jù)集中分別選取500 張薄霧、中霧、濃霧圖像,并依次在改進前后的除霧模型上進行除霧處理。在不同霧天濃度圖像的數(shù)據(jù)集中,計算單張去霧圖像與對應基準圖像間的SSIM 及PSNR,并計算其平均值,以分析不同霧天濃度下的除霧效果;同時,計算Foggy Citypersons 數(shù)據(jù)集的平均SSIM 及PSNR 值以反映除霧模型的整體除霧效果。改進前后的GCANet 模型在Foggy Citypersons 數(shù)據(jù)集上的除霧圖像質(zhì)量評估見表1。

    表1 圖像質(zhì)量評估對比

    通過表1 可知,用改進GCANet 模型處理的Foggy Citypersons 數(shù)據(jù)集圖像的PSNR 和SSIM 值相比原始GCANet模型整體上提高了1.87和0.11。對于不同濃度霧天圖像的除霧效果,改進GCANet 模型在薄霧、中霧、濃霧上的SSIM值分別提升了0.06、0.07 和0.06,PSNR 值分別提升了2.63、0.63 和0.37。綜上,改進后的除霧模型針對不同濃度霧天圖像的除霧效果均得到提升,去霧圖像的失真情況得到改善,處理圖像的對比度、色彩保真度以及明暗程度都獲得了改善,揭示了更多目標信息。

    3.4 CenterNet訓練與檢測結(jié)果分析

    3.4.1 合成霧圖訓練與消融試驗

    用于惡劣天氣條件下行人檢測的數(shù)據(jù)集較少,目前許多相關(guān)研究使用合成數(shù)據(jù)集作為參考。本節(jié)采用Foggy Citypersons 數(shù)據(jù)集訓練模型,進一步分析改良去霧模型對于后續(xù)行人檢測任務(wù)的影響。

    為驗證改良GCANet 算法和CenterNet 算法結(jié)合起來的有效性,分別使用原始霧天圖像、原始GCANet算法處理后圖像和改良GCANet算法處理后圖像對CenterNet進行訓練,獲得3種不同模型,并在霧天圖像上進行行人檢測,訓練過程參數(shù)設(shè)置一致。具體的模型設(shè)置如表2所示。

    表2 模型具體設(shè)置

    訓練策略:本文將微調(diào)的方法用于CenterNet 網(wǎng)絡(luò)。首先,在ImageNet 上訓練特征提取的主干算法ResNet-18;然后在COCO 數(shù)據(jù)集上對檢測網(wǎng)絡(luò)進行訓練。這些工作無須從頭訓練,而是使用CenterNet中預訓練好的模型來完成。下一步,將預訓練模型的完全訓練權(quán)重從80 個類別抽樣到單個類別(行人)在Foggy Citypersons 的2 975 張訓練圖上進行微調(diào)。訓練輪次為140,批次訓練大?。╞atch size)為8,學習率設(shè)為5×10-4,在第90 和120 個輪次時,學習率依次下降為5×10-5和5×10-6。

    行人檢測算法常用AP50(Average Precision)、MR-2(log-average miss rate)和召回率(Recall)中的一個或多個作為性能評價標準。其中MR-2值越小,反映檢測精度越高;AP50和Recall 值越大,反映檢測精度越高。本節(jié)以MR-2值作為Foggy Citypersons 數(shù)據(jù)集上的評價指標。霧天圖像中的行人檢測性能使用Foggy Citypersons 的500 張驗證集分別在3 個模型上進行測試,獲得的MR-2值如表3所示。

    表3 基于合成霧天圖像的模型性能對比

    由表3 可知,在Foggy Citypersons 數(shù)據(jù)集上,模型C 的行人檢測的MR-2值相對模型A 和模型B 分別降低了3.17 和0.31??傻贸鼋Y(jié)論,加入改進GCANet 算法去霧處理的模型C 在合成霧天數(shù)據(jù)集上的行人檢測性能高于模型A和模型B。

    圖6~圖8 為Foggy Citypersons 驗證集樣本分別在模型A、模型B 和模型C 上的檢測結(jié)果。觀察圖6和圖7 可知,模型B 對于行人的漏檢情況要少于模型A。同時對比圖7 和圖8 可知,模型C 相比模型B進一步改善了漏檢情況,且檢測到的行人置信度更高。

    圖6 模型A檢測結(jié)果展示

    圖7 模型B檢測結(jié)果展示

    圖8 模型C檢測結(jié)果展示

    3.4.2 真實霧圖訓練與消融試驗

    使用合成霧天圖像訓練的模型應用于真實霧天環(huán)境檢測的過程中,存在跨域不適應性,因此在真實霧圖上進行對比試驗能進一步驗證將改良GCANet算法和CenterNet 算法結(jié)合起來的有效性。基于此,本節(jié)分別使用真實霧天數(shù)據(jù)集RTTS 的霧天圖像和經(jīng)改良GCANet 算法處理后的無霧圖像對CenterNet進行訓練。隨機將RTTS 中帶標注的4 322 張圖像按6∶1∶1 的比例分為訓練集、驗證集與測試集,圖片數(shù)量分別為3 242、540 和540,訓練類別僅為“行人”。

    訓練參數(shù)設(shè)置及訓練策略參照3.4.1 節(jié),具體模型設(shè)置同表2。本節(jié)采用AP50作為評價指標,即IOU 值取0.5 時計算平均精度。使用RTTS 的540 張測試集分別在3 個模型上進行測試,得到的模型AP50值如表4所示。

    表4 基于真實霧天圖像的模型性能對比

    由表4 可知,模型C 在RTTS 數(shù)據(jù)集上行人檢測的AP50值相對模型A 和模型B 分別提高了6.03和0.55。

    圖9~圖11 分別為模型A、模型B 和模型C 在真實霧天測試集樣本上的檢測結(jié)果。對比可知,模型C 在真實霧天場景下仍能有效減少漏檢,提升目標置信度。因此,加入改進GCANet 算法去霧處理的模型C 在真實霧天數(shù)據(jù)集上的行人檢測性能高于模型A和模型B。

    圖9 模型A檢測結(jié)果展示

    圖10 模型B檢測結(jié)果展示

    圖11 模型C檢測結(jié)果展示

    3.4.3 檢測算法對比試驗

    選 取Faster-RCNN[5]、YOLOX[35]、RetinaNet[31]3種主流行人檢測模型分別與改進GCANet 除霧網(wǎng)絡(luò)相結(jié)合,并依次在Foggy Citypersons 和RTTS 數(shù)據(jù)集上進行對比試驗。3 種模型的訓練及測試過程與所提方法一致,分別以“G+F”“G+Y”“G+R”表示上述3種模型。試驗結(jié)果見表5。

    表5 不同霧天行人檢測模型的測試結(jié)果

    從表5 可知,在Foggy Citypersons 數(shù)據(jù)集的對比試驗中,本文方法的MR-2相比G+F 和G+R 分別降低了6.05 和1.75,比G+Y 高0.25;在RTTS 數(shù)據(jù)集上,本文方法的AP50相比G+F 和G+R 分別提高10.42和4.21,比G+Y 低2.48;因此本文方法的檢測精度較高,僅次于改進GCANet 與YOLOX 的去霧方法。從檢測速度方面看,本文方法的檢測速度最快,實時性最佳。綜上,改進的GCANet 除霧網(wǎng)絡(luò)和CenterNet 相結(jié)合的方法在霧天條件下具有較好的檢測性能。

    4 結(jié)論

    針對霧霾天氣下行人檢測算法性能嚴重降低的情況,提出將改進的GCANet 除霧網(wǎng)絡(luò)和CenterNet相結(jié)合的方法。首先,對端到端的GCANet 除霧網(wǎng)絡(luò)的損失函數(shù)進行改良,優(yōu)化除霧圖像的結(jié)構(gòu)細節(jié)及圖像質(zhì)量以幫助CenterNet 學習更準確的目標特征。然后基于改進的GCANet 除霧網(wǎng)絡(luò)和CenterNet相結(jié)合的方法訓練得到行人檢測模型,并應用于霧天的行人檢測。經(jīng)試驗,該方法在合成霧天數(shù)據(jù)集Foggy Citypersons 和真實霧天數(shù)據(jù)集RTTS 上的MR-2和AP50值分別達到了9.65 和86.11,提高了檢測算法在惡劣天氣下的泛化性能,更好地發(fā)揮了CenterNet檢測模型的優(yōu)勢。

    猜你喜歡
    霧天行人卷積
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    毒舌出沒,行人避讓
    意林(2021年5期)2021-04-18 12:21:17
    為什么在霧天不適宜進行晨練
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    路不為尋找者而設(shè)
    揚子江(2019年1期)2019-03-08 02:52:34
    微波輻射計對昆明霧天的監(jiān)測及應用
    基于傅里葉域卷積表示的目標跟蹤算法
    我是行人
    霧天高速公路交通安全風險評估
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    日本欧美国产在线视频| 嘟嘟电影网在线观看| 成人综合一区亚洲| 成人亚洲欧美一区二区av| 自拍偷自拍亚洲精品老妇| 国产一区亚洲一区在线观看| 一本一本综合久久| 国产成人精品一,二区 | 欧美一区二区国产精品久久精品| 亚洲最大成人手机在线| 亚洲人成网站高清观看| 国产一级毛片七仙女欲春2| 丰满的人妻完整版| 亚洲精品久久国产高清桃花| 亚洲天堂国产精品一区在线| 99久久九九国产精品国产免费| 亚洲欧美精品专区久久| a级毛片免费高清观看在线播放| 男插女下体视频免费在线播放| 一卡2卡三卡四卡精品乱码亚洲| 中文字幕av在线有码专区| 美女脱内裤让男人舔精品视频 | 国产视频内射| 两性午夜刺激爽爽歪歪视频在线观看| 五月伊人婷婷丁香| 国产精品久久久久久av不卡| 直男gayav资源| 欧美激情久久久久久爽电影| 国产精品无大码| 亚洲激情五月婷婷啪啪| 亚洲va在线va天堂va国产| 一级黄色大片毛片| .国产精品久久| 人人妻人人澡欧美一区二区| 国产精品一及| or卡值多少钱| 校园人妻丝袜中文字幕| 一本久久精品| 亚洲国产精品成人综合色| 国产精品久久视频播放| 能在线免费观看的黄片| 毛片女人毛片| 国产av一区在线观看免费| 男女啪啪激烈高潮av片| 欧美+日韩+精品| 亚洲成av人片在线播放无| 久久久久免费精品人妻一区二区| 亚洲欧美成人精品一区二区| 日韩欧美在线乱码| 成年版毛片免费区| 可以在线观看毛片的网站| 国产精品电影一区二区三区| 日本熟妇午夜| 全区人妻精品视频| 中文字幕av在线有码专区| 欧美高清成人免费视频www| 国产精品电影一区二区三区| 日本撒尿小便嘘嘘汇集6| 人妻久久中文字幕网| 看黄色毛片网站| 欧美激情国产日韩精品一区| 国产精品国产高清国产av| 91精品一卡2卡3卡4卡| 国产大屁股一区二区在线视频| 人妻久久中文字幕网| 国产乱人偷精品视频| 一级毛片我不卡| 男女下面进入的视频免费午夜| 美女黄网站色视频| 中文欧美无线码| 欧美人与善性xxx| 精品人妻一区二区三区麻豆| 精品久久久久久久久久久久久| 99热全是精品| 国产一级毛片在线| 久久久久性生活片| 国产美女午夜福利| 99久久无色码亚洲精品果冻| 国产精华一区二区三区| 欧美xxxx黑人xx丫x性爽| 超碰av人人做人人爽久久| 国产精品爽爽va在线观看网站| 最后的刺客免费高清国语| 亚洲国产精品成人久久小说 | 亚洲欧美日韩高清专用| or卡值多少钱| 乱人视频在线观看| 久久久久久久久大av| 免费电影在线观看免费观看| 搡女人真爽免费视频火全软件| 久久久久久久久大av| 亚洲精品国产成人久久av| 久久6这里有精品| 国产精品美女特级片免费视频播放器| 国产视频内射| 久久人妻av系列| 久久久欧美国产精品| 在线国产一区二区在线| 人人妻人人澡人人爽人人夜夜 | 一本久久中文字幕| 亚洲国产色片| 午夜激情福利司机影院| 如何舔出高潮| 国产精品永久免费网站| 中国美白少妇内射xxxbb| 精品人妻偷拍中文字幕| 日韩欧美一区二区三区在线观看| 欧美性猛交黑人性爽| 成人特级av手机在线观看| 国产男人的电影天堂91| 久久人人爽人人爽人人片va| 国产精品精品国产色婷婷| 久久九九热精品免费| 欧美3d第一页| 亚洲欧美精品综合久久99| 免费人成在线观看视频色| 少妇高潮的动态图| 男的添女的下面高潮视频| 亚洲成人中文字幕在线播放| 国产精品国产三级国产av玫瑰| 九九久久精品国产亚洲av麻豆| 变态另类丝袜制服| 搡老妇女老女人老熟妇| 99riav亚洲国产免费| 国产精品美女特级片免费视频播放器| 又爽又黄无遮挡网站| 校园春色视频在线观看| 欧美另类亚洲清纯唯美| 日本在线视频免费播放| 色尼玛亚洲综合影院| 国产精品99久久久久久久久| 国产熟女欧美一区二区| 久久99精品国语久久久| 国产精品久久久久久精品电影| 一级毛片电影观看 | av免费观看日本| 一区福利在线观看| 亚洲av.av天堂| 久久精品久久久久久噜噜老黄 | 国产成年人精品一区二区| 九九热线精品视视频播放| 国产精华一区二区三区| 国产乱人偷精品视频| 亚洲久久久久久中文字幕| 国产视频内射| 国产av麻豆久久久久久久| 看十八女毛片水多多多| 夜夜看夜夜爽夜夜摸| 天天躁夜夜躁狠狠久久av| 五月伊人婷婷丁香| 九九久久精品国产亚洲av麻豆| 又粗又硬又长又爽又黄的视频 | 中文字幕精品免费在线观看视频 | 久久 成人 亚洲| 在线观看国产h片| 国内精品宾馆在线| 欧美丝袜亚洲另类| 在线观看人妻少妇| 国产有黄有色有爽视频| 亚洲国产精品一区二区三区在线| 国产探花极品一区二区| 一个人看视频在线观看www免费| 欧美成人午夜免费资源| 99国产精品免费福利视频| 久久精品人人爽人人爽视色| 亚洲精品日韩在线中文字幕| 国产男女内射视频| 亚洲精品日本国产第一区| av黄色大香蕉| 18禁观看日本| 免费人成在线观看视频色| 尾随美女入室| 久久久久久久久久久久大奶| 自拍欧美九色日韩亚洲蝌蚪91| videossex国产| 人妻系列 视频| 国产精品麻豆人妻色哟哟久久| 亚洲欧美成人精品一区二区| 久久鲁丝午夜福利片| 女人久久www免费人成看片| 边亲边吃奶的免费视频| 中文天堂在线官网| 亚洲怡红院男人天堂| 亚洲av福利一区| 国模一区二区三区四区视频| 午夜精品国产一区二区电影| 考比视频在线观看| 国产男女超爽视频在线观看| 看免费成人av毛片| 亚洲精品视频女| 大片电影免费在线观看免费| 精品久久蜜臀av无| 日日爽夜夜爽网站| 丝袜在线中文字幕| 熟女av电影| 久久久午夜欧美精品| 国产一区二区在线观看av| 五月玫瑰六月丁香| 亚洲国产精品一区三区| 韩国高清视频一区二区三区| 亚洲三级黄色毛片| 亚洲美女搞黄在线观看| 涩涩av久久男人的天堂| 大陆偷拍与自拍| 国产女主播在线喷水免费视频网站| 亚洲av福利一区| 王馨瑶露胸无遮挡在线观看| 亚洲成人手机| 国产av国产精品国产| 国产精品国产三级国产专区5o| 91精品三级在线观看| 日韩不卡一区二区三区视频在线| 欧美日韩国产mv在线观看视频| 日韩亚洲欧美综合| 午夜激情福利司机影院| 国产精品不卡视频一区二区| 国产免费福利视频在线观看| 欧美bdsm另类| 天美传媒精品一区二区| 天堂俺去俺来也www色官网| 日本91视频免费播放| 久久国产精品大桥未久av| 亚洲成人av在线免费| 免费观看在线日韩| 日本黄大片高清| 亚洲av福利一区| 亚洲av成人精品一二三区| 在线播放无遮挡| 亚洲精品亚洲一区二区| 有码 亚洲区| 国产片特级美女逼逼视频| 亚洲国产成人一精品久久久| 日韩欧美一区视频在线观看| av专区在线播放| 高清午夜精品一区二区三区| 最近最新中文字幕免费大全7| 一本大道久久a久久精品| 国产成人精品一,二区| av网站免费在线观看视频| 狂野欧美激情性xxxx在线观看| 亚洲精品成人av观看孕妇| 熟女av电影| 欧美人与性动交α欧美精品济南到 | 国产黄频视频在线观看| 日韩成人av中文字幕在线观看| 亚洲人成网站在线播| 人体艺术视频欧美日本| 成人国产av品久久久| 亚洲人成77777在线视频| 欧美另类一区| 新久久久久国产一级毛片| 如日韩欧美国产精品一区二区三区 | 亚洲三级黄色毛片| 18禁裸乳无遮挡动漫免费视频| 欧美3d第一页| 欧美日韩成人在线一区二区| 夜夜骑夜夜射夜夜干| 黄色配什么色好看| 日本av手机在线免费观看| 日韩精品免费视频一区二区三区 | 免费久久久久久久精品成人欧美视频 | 99热6这里只有精品| av.在线天堂| 国产免费视频播放在线视频| 国产成人一区二区在线| 91久久精品国产一区二区三区| 涩涩av久久男人的天堂| 日韩不卡一区二区三区视频在线| 如何舔出高潮| 欧美日韩视频精品一区| 性色av一级| 欧美精品人与动牲交sv欧美| 老司机亚洲免费影院| 国产精品一区二区三区四区免费观看| 综合色丁香网| 午夜福利,免费看| 国产成人精品婷婷| 久久久国产欧美日韩av| 草草在线视频免费看| 国产视频内射| 欧美亚洲 丝袜 人妻 在线| 99久国产av精品国产电影| 国产成人freesex在线| 男女国产视频网站| 久久婷婷青草| 九色成人免费人妻av| 国产亚洲精品第一综合不卡 | 日日摸夜夜添夜夜爱| 亚洲人成网站在线观看播放| 男女边吃奶边做爰视频| 秋霞伦理黄片| √禁漫天堂资源中文www| av在线老鸭窝| 中国三级夫妇交换| 老女人水多毛片| 欧美bdsm另类| 中文字幕免费在线视频6| 亚洲精品,欧美精品| 国产精品一区www在线观看| 久久久久久久久久人人人人人人| 亚洲婷婷狠狠爱综合网| .国产精品久久| av在线播放精品| 亚洲精品一二三| 一级a做视频免费观看| 国产亚洲精品第一综合不卡 | 亚洲国产最新在线播放| 五月开心婷婷网| 国产成人av激情在线播放 | 大码成人一级视频| av线在线观看网站| 菩萨蛮人人尽说江南好唐韦庄| 国产精品久久久久久久久免| av免费观看日本| 丰满饥渴人妻一区二区三| 22中文网久久字幕| 亚洲四区av| 亚洲在久久综合| 亚洲国产精品专区欧美| 欧美另类一区| 免费av中文字幕在线| 999精品在线视频| 欧美97在线视频| 中文天堂在线官网| 国产一区二区在线观看av| 老司机亚洲免费影院| 麻豆成人av视频| 狠狠婷婷综合久久久久久88av| 精品久久国产蜜桃| 亚洲精品国产av成人精品| 国产亚洲av片在线观看秒播厂| 成人黄色视频免费在线看| 黄色毛片三级朝国网站| 丝瓜视频免费看黄片| 免费高清在线观看视频在线观看| 制服人妻中文乱码| 国产69精品久久久久777片| 成年人免费黄色播放视频| 最新的欧美精品一区二区| 男男h啪啪无遮挡| 亚洲久久久国产精品| 日韩中文字幕视频在线看片| 简卡轻食公司| 夫妻性生交免费视频一级片| 精品一区在线观看国产| 国产精品蜜桃在线观看| 久久久亚洲精品成人影院| 大片免费播放器 马上看| 精品一品国产午夜福利视频| av在线观看视频网站免费| 午夜福利在线观看免费完整高清在| 黑人欧美特级aaaaaa片| av在线app专区| 蜜臀久久99精品久久宅男| 美女xxoo啪啪120秒动态图| 久久久欧美国产精品| 少妇人妻 视频| 欧美3d第一页| 久久精品国产亚洲av涩爱| 亚洲av.av天堂| 欧美 日韩 精品 国产| 国产免费一级a男人的天堂| 卡戴珊不雅视频在线播放| 久久狼人影院| 亚洲美女黄色视频免费看| 九色亚洲精品在线播放| 久久久久久久久久久免费av| 亚洲精品国产色婷婷电影| 久久久国产欧美日韩av| av免费观看日本| 亚洲五月色婷婷综合| 一级毛片黄色毛片免费观看视频| 亚洲欧美日韩卡通动漫| 久久av网站| 视频区图区小说| 丝袜脚勾引网站| 亚洲成色77777| 91久久精品国产一区二区三区| 亚洲国产欧美日韩在线播放| 纵有疾风起免费观看全集完整版| 啦啦啦视频在线资源免费观看| 日韩欧美一区视频在线观看| 最黄视频免费看| 亚洲欧美日韩另类电影网站| 熟女电影av网| 久久人人爽av亚洲精品天堂| 精品久久久噜噜| 人人妻人人澡人人看| a 毛片基地| 老司机影院毛片| 天堂8中文在线网| h视频一区二区三区| 日本vs欧美在线观看视频| 国产69精品久久久久777片| 国产成人精品无人区| 王馨瑶露胸无遮挡在线观看| 高清视频免费观看一区二区| 久久人人爽人人爽人人片va| 纯流量卡能插随身wifi吗| 精品久久久久久久久亚洲| 久久久久久久国产电影| 日本vs欧美在线观看视频| 日本91视频免费播放| 黑人高潮一二区| 美女中出高潮动态图| 有码 亚洲区| 国产精品国产av在线观看| 久久午夜综合久久蜜桃| 国产在线视频一区二区| 精品卡一卡二卡四卡免费| 夫妻性生交免费视频一级片| 99久国产av精品国产电影| 永久免费av网站大全| 九色亚洲精品在线播放| av播播在线观看一区| 超碰97精品在线观看| 亚洲美女黄色视频免费看| 欧美成人精品欧美一级黄| 国产极品粉嫩免费观看在线 | 日本免费在线观看一区| 国产精品久久久久久精品电影小说| 天天躁夜夜躁狠狠久久av| 亚洲精品成人av观看孕妇| 国产午夜精品久久久久久一区二区三区| 热re99久久精品国产66热6| 成人黄色视频免费在线看| 自线自在国产av| 色吧在线观看| 一区二区日韩欧美中文字幕 | 日韩欧美精品免费久久| 久久99一区二区三区| 午夜激情福利司机影院| 3wmmmm亚洲av在线观看| 精品人妻一区二区三区麻豆| 日本猛色少妇xxxxx猛交久久| 18+在线观看网站| xxxhd国产人妻xxx| 老司机影院毛片| 一本一本综合久久| 欧美亚洲 丝袜 人妻 在线| 欧美成人精品欧美一级黄| www.色视频.com| 少妇精品久久久久久久| 国产精品欧美亚洲77777| 高清视频免费观看一区二区| 一区二区三区免费毛片| 亚洲第一区二区三区不卡| 亚洲人与动物交配视频| 欧美日韩视频精品一区| 国产亚洲精品第一综合不卡 | 日本与韩国留学比较| 香蕉精品网在线| 国产伦精品一区二区三区视频9| 一级爰片在线观看| 成人漫画全彩无遮挡| 免费大片黄手机在线观看| 欧美日韩国产mv在线观看视频| 两个人的视频大全免费| 欧美3d第一页| 七月丁香在线播放| 国产午夜精品一二区理论片| 最近中文字幕高清免费大全6| 日韩熟女老妇一区二区性免费视频| 高清欧美精品videossex| 男女边摸边吃奶| 如何舔出高潮| 亚洲精品色激情综合| 精品人妻在线不人妻| 久久99热这里只频精品6学生| 亚洲经典国产精华液单| 国产精品久久久久久精品电影小说| 国产精品偷伦视频观看了| 免费黄网站久久成人精品| 亚洲国产欧美在线一区| 国产成人一区二区在线| 能在线免费看毛片的网站| 永久免费av网站大全| 另类精品久久| 亚洲一级一片aⅴ在线观看| 欧美变态另类bdsm刘玥| 一二三四中文在线观看免费高清| 亚洲国产精品一区二区三区在线| 青春草国产在线视频| 视频区图区小说| 亚洲三级黄色毛片| 最近中文字幕高清免费大全6| 国产熟女欧美一区二区| 少妇熟女欧美另类| 日本wwww免费看| 亚洲精品久久成人aⅴ小说 | 日韩成人伦理影院| 99九九在线精品视频| 成年美女黄网站色视频大全免费 | 亚洲欧美一区二区三区黑人 | 制服诱惑二区| 韩国高清视频一区二区三区| 在线观看免费日韩欧美大片 | 国产精品偷伦视频观看了| 久久久久网色| 成人免费观看视频高清| 在线观看免费高清a一片| 久久久久久久久久成人| 一级毛片电影观看| 日韩电影二区| 日韩大片免费观看网站| 丝袜喷水一区| 成人国语在线视频| 97在线人人人人妻| 日本vs欧美在线观看视频| 精品亚洲乱码少妇综合久久| 亚洲欧美成人综合另类久久久| 纯流量卡能插随身wifi吗| 最新中文字幕久久久久| 九九爱精品视频在线观看| 国产一区二区在线观看av| 极品少妇高潮喷水抽搐| 亚洲一级一片aⅴ在线观看| 国产色爽女视频免费观看| 久久久久久久久大av| 精品亚洲成a人片在线观看| 国产精品国产三级国产av玫瑰| 高清在线视频一区二区三区| 日韩大片免费观看网站| 欧美一级a爱片免费观看看| 一级a做视频免费观看| 国产成人午夜福利电影在线观看| 国产精品一区二区在线不卡| 久久av网站| 午夜福利影视在线免费观看| 中文欧美无线码| 少妇精品久久久久久久| 日本av手机在线免费观看| 国产成人精品久久久久久| 国产亚洲一区二区精品| 一级毛片 在线播放| 亚洲国产精品999| 99九九在线精品视频| 汤姆久久久久久久影院中文字幕| 如日韩欧美国产精品一区二区三区 | 亚洲av二区三区四区| 五月天丁香电影| 欧美日韩精品成人综合77777| 男人添女人高潮全过程视频| 日日摸夜夜添夜夜爱| 久久热精品热| 亚洲精品一区蜜桃| 亚洲av福利一区| 久久久久国产网址| 九色亚洲精品在线播放| 精品一区二区免费观看| 欧美激情 高清一区二区三区| 亚洲精品国产av成人精品| 91aial.com中文字幕在线观看| 亚洲av成人精品一区久久| 日韩成人av中文字幕在线观看| 日本黄大片高清| 在线亚洲精品国产二区图片欧美 | 国产在线免费精品| 欧美xxxx性猛交bbbb| 一区二区av电影网| 亚洲丝袜综合中文字幕| 18禁在线无遮挡免费观看视频| 最新的欧美精品一区二区| 午夜福利视频在线观看免费| 亚洲精品久久午夜乱码| 人妻夜夜爽99麻豆av| 免费黄网站久久成人精品| 久久ye,这里只有精品| 在线天堂最新版资源| 国产精品久久久久久精品古装| 精品久久蜜臀av无| 精品酒店卫生间| 亚洲欧美日韩另类电影网站| 一本—道久久a久久精品蜜桃钙片| 国产毛片在线视频| 日本欧美国产在线视频| 国产极品粉嫩免费观看在线 | 国产亚洲欧美精品永久| 女性生殖器流出的白浆| 国产日韩欧美视频二区| 亚洲欧洲国产日韩| 80岁老熟妇乱子伦牲交| 美女xxoo啪啪120秒动态图| 在线看a的网站| 18禁观看日本| 中国国产av一级| 亚洲欧美精品自产自拍| 成年av动漫网址| 成人18禁高潮啪啪吃奶动态图 | 精品卡一卡二卡四卡免费| 国产黄频视频在线观看| 美女中出高潮动态图| 久久午夜福利片| 国产一区二区三区av在线| 日韩精品免费视频一区二区三区 | 亚洲欧美日韩另类电影网站| 免费不卡的大黄色大毛片视频在线观看| 成年人免费黄色播放视频| 少妇人妻精品综合一区二区| 各种免费的搞黄视频| 伦理电影大哥的女人| 99热6这里只有精品| 黑人高潮一二区| 久久久国产精品麻豆| 在线观看www视频免费| 一级a做视频免费观看| 国产熟女欧美一区二区| 纯流量卡能插随身wifi吗| 制服人妻中文乱码| 两个人的视频大全免费| 国产深夜福利视频在线观看| 欧美日韩视频高清一区二区三区二| 天堂中文最新版在线下载| 丝瓜视频免费看黄片| 日本av手机在线免费观看|