摘要
近年来，随着人工智能技术在交通领域的普及，越来越多的研究将注意力集中在智能驾驶领域上。在智能驾驶场景下的目标检测任务中，不同交通参与者的尺度大小不一，虽然有许多研究基于图像多尺度特征融合给出一些解决方案，但大多都存在细节丢失的问题。此外，智能驾驶车辆拍摄过程中存在目标遮挡问题，这给智能驾驶场景带来了安全隐患。本文就以上两方面重点展开研究，具体工作如下。 针对交通参与者尺度大小不一的问题，本文提出一种空间鲁棒和通道感知的特征增强结构。其包括细节无损多尺度特征融合和语义自适应特征融合两部分。在细节无损多尺度特征融合中，通过不同扩张率的空洞卷积实现对不同尺度大小目标的特征提取，同时保留原有输入的分辨率，使得原始输入细节尽可能被保留。在语义自适应特征融合中，为每个通道的特征图按照其重要性分配不同权重，经过归一化后分配到输入，最终得到原始图像的增强特征。 针对图像遮挡问题，本文提出一种智能驾驶场景下的自适应对抗样本生成方法。这种方法可将数据集中的每一张样本同时生成多个可行的图像遮挡样本，并分别进行评分。通过对输入图像进行对抗攻击，生成固定遮挡目标的扰动区域，让模型在完全受监督的条件下检测被遮挡物体，从而提升实际场景下针对图像遮挡问题的检测性能。 本文选取YOLOfastest作为基准模型。为更好地模拟遮挡效果，本文自行采集一部分包含不同尺度交通参与者的图像样本，这些图像样本与KITTI数据集一起组成实验数据集。通过消融实验以及与主流方法的对比实验表明，本文提出的空间鲁棒和通道感知的特征增强结构和智能场景下的自适应对抗样本生成方法有效地提升了基线指标和对遮挡物体的检测性能。相比于其他主流方法，本文提出的方法检测速度更快，同时在不同尺度的目标和被遮挡目标上都取得了相比其他主流方法更高的检测性能。实验表明，改进后的算法精度相较于基准模型由86.74％提升到90.76％。
NETL