胡 爽， 董超俊， 张秀杰

（五邑大学信息工程学院， 广东 江门 529020）

引言

随着人工智能领域的快速发展，自动驾驶技术备受关注。目标检测作为计算机视觉领域的重要分支，同时也是自动驾驶的关键技术之一。无可否认，在目标检测领域，深度神经网络的性能优于传统机器学习方法。目标检测的深度学习方法可以分为两种：基于区域提名的方法和基于回归的方法。而基于区域提名的方法包括 R-CNN[1]，SPP-net[2]，Fast R-CNN[3]，Faster R-CNN[4]和R-FCN[5]等。这些方法对于目标的检测可以分为两个阶段：第一阶段生成预选框，第二阶段使用深度神经网络进行分类和位置回归。早期的R-CNN，SPP-net和Fast R-CNN通过选择性搜索方法产生区域提名，这是整个算法的瓶颈。随后，Faster R-CNN放弃了选择性搜索方法，而使用区域提名网络（RPN）来生成区域提名。目前而言，基于R-CNN的方法检测准确率相对较高，但它们无法实现实时处理。

为了提高检测速度，研究者们提出了基于回归的方法，包括YOLO[6]和SSD[7]，它们只使用单一网络同时生成边界框并且完成分类。这些方法可以在GPU上实现实时处理。YOLO对输入图像划分网格，每个网格预测两个对象框的置信度和位置。但是当多个对象在一个网格中时，模型也只能预测出一个目标，这是YOLO的短板所在，所以YOLO的检测精度不尽如人意。SSD是冲着YOLO的缺点来的，它分为两部分：前半部分是基于VGG16的网络，去掉了分类相关的层；后半部分是引入的额外的多尺度特征提取层，达到检测不同大小目标的目的。虽然相对于YOLO，SSD在检测精度上有了很大提高，但是对于小目标的检测性能还是不能令人满意。……