复杂交通环境下多层交叉融合多目标检测

针对目前复杂交通环境下还存在多目标检测精度和速度不高等问题,以特征金字塔网络(Feature Pyramid Network, FPN)为基础,提出了一种多层融合多目标检测与识别算法,以提高目标检测精度和网络泛化能力。首先,采用ResNet101的五层架构将空间分辨率上采样2倍构建自上而下的特征图,按照元素相加的方式将上采样图和自下而上的特征图合并,并构建一个融合高层语义信息与低层几何信息的特征层;然后,根据BBox回归存在训练样本不平衡问题,选择Efficient IOU Loss损失函数并结合Focal Loss提出一种改进Focal EIOU Loss;最后,充分考虑复杂交通环境下的实际情况,进行人工标注混合数据集进行训练。该模型在KITTI测试集上的平均检测精度和速度比FPN分别提升了2.4%和5 frame/s,在Cityscale测试集上平均检测精度和速度比FPN提升了1.9%和4 frame/s。     

一种片上网络自适应路由算法仿真与验证

针对片上网络的死锁问题,提出一种片上网络自适应路由算法--虚拟网络(VN)路由算法,该算法根据报文源地址和目的地址将网络分成4个虚拟网络.一旦报文在某个给定的虚拟网络中路由,所有属于最小路径的通道都可用于路由.但是,报文不能被传到另一个虚拟网络.显然,通道间没有环相关,从而避免了死锁.通过OPNET仿真,得出此算法吞吐量大、网络延迟小.