-
题名深度学习支持下的城市破损路沿石检测方法
- 1
-
-
作者
戴激光
李岩
-
机构
辽宁工程技术大学测绘与地理科学学院
-
出处
《遥感信息》
CSCD
北大核心
2024年第3期15-21,共7页
-
基金
国家自然科学基金(42071428、42071343)。
-
文摘
针对破损路沿石在街景影像中受到目标多尺度、相似地物干扰以及遮挡等问题,提出了一种面向城市街道两侧破损路沿石检测的CDD-YOLO(convolutional swin transformer deformable decouple-YOLO,CDD-YOLO)模型。依据破损路沿石呈现形状尺度多样性特点,嵌入C3_STR(convolutional swin transformer,C3_STR)模块进行特征融合,增强模型对多尺度特征的感知性能;对于相似地物干扰导致的误检现象,加入可变形卷积模块,利用目标区域自适应特性,提升模型对相似地物的判别能力;为避免因遮挡引起的定位不准确问题,引入解耦检测头结构,增强模型对模糊边界特征的提取能力。在自制的街景破损路沿石数据集上进行验证,分析表明,该方法的precision、recall、F1、IoU 4项评价指标分别达到了82.45%、81.22%、81.01%和80.23%,显著优于其他主流目标检测方法,验证了该方法的有效性和可行性。
-
关键词
破损路沿石检测
街景影像
目标多尺度
特征融合
解耦检测头
-
Keywords
broken curb stone detection
street view imagery
multi-scale target
feature fusion
decoupled detection head
-
分类号
TP751.2
[自动化与计算机技术—检测技术与自动化装置]
-
