张晓雪

摘 要 目前，在智能交通领域使用深度学习方法进行自动驾驶目标检测已成为研究热点。通过对Faster R-CNN，YOLO，SSD等代表性方法的对比，这些方法中对目标的实例分割检测效果不够理想，因此在通过比较研究后本文提出使用在实例分割方面效果更为优秀的Mask R-CNN目标检测算法用于自动驾驶的目标检测研究，通过在BDD100k数据集上的仿真实验，表明Mask R-CNN目标检测算法在实例分割中效果明显，进一步针对该算法的特征金字塔进行了改进，提高了其检测精度。

关键词 目标检测；Mask RCNN；深度学习；自动驾驶

Abstract At present， in the field of intelligent transportation， the use of deep learning method for automatic driving target detection has become a research hotspot. By comparing the representative methods such as Faster R-CNN， YOLO， SSD， etc.， the results of case segmentation detection in these methods are not satisfactory. Therefore， after comparing and researching， this paper proposes to use Mask R-CNN target detection algorithm which has better effect in case segmentation for the research of automatic driving target detection. The simulation experiments on BDD100k data set show that Mask R-CNN target detection algorithm has better effect in case segmentation.- CNN target detection algorithm has obvious effect in case segmentation， and further improves the feature pyramid of the algorithm to improve its detection accuracy.

Key Words target detection；Mask RCNN；Deep learning； Autopilot

1 引言

2017年是人工智能技術发展的一个高峰期，人工智能领域无人驾驶汽车技术也受到研究学者们极大的关注。在2013年，由于R-CNN[2]技术在目标检测领域的应用并且取得了较好效果，这也就推动了基于深度学习的目标检测技术迅速的发展，该主要分为两种方式：一种为基于滑动窗口提取特征，另外一种为基于区域建议。基于滑动窗口提取特征的算法主要是采用回归的思路，优点是速度快，但检测结果误差稍大不够理想[10]，Szegedy等通过深度神经网络的方法[3]deep neural network，DNN采用回归的方式来预测图片中目标识别的概率和它的得分；Redmon等提出YOLO[4]算法，通过将一张图片分为多个网格，再分别计算出每个网格包含的目标及位置的概率检测目标，从而提高了检测速度；再之后出现了例如单个多盒检测器[11]（sigle shot multibox detector，SDD）、YOLO算法的变形、小型的单个多样检测器（tiny single shot multibox detector，Tiny SSD）等算法，通过这些算法可以实现实时检测，但检测精度仍然不及基于区域建议的算法。……