摘要

基于视频的车辆检测在过去十年中受到了广泛关注，许多基于深度学习的检测方法可以应用于这一领域。然而，这些方法主要是为静态图像设计的，直接将其应用于视频车辆检测通常会获得较差的性能。在本研究中，我们提出了一种新的单阶段基于视频的车辆检测器，该检测器集成了3D卷积网络（3DCovNet）和焦点损失（focal loss），称为3D-DETNet。借助3D卷积网络和焦点损失的支持，我们的方法能够捕捉运动信息，比其他为静态图像设计的单阶段方法更适合用于视频中的车辆检测。首先，多个视频帧被输入到3D-DETNet以生成多个空间特征图，然后子模型3DConvNet将这些空间特征图作为输入来捕捉时间信息，并将其传递给最终的全卷积模型以预测视频帧中车辆的位置。我们在UA-DETAC车辆检测数据集上评估了我们的方法，结果表明3D-DETNet具有最佳性能，并且与其他竞争方法相比保持了更高的26帧/秒的检测速度。