万 晓 丹

(南昌师范学院物理系 江西 南昌 330032)

0 引 言

目标检测是一种自动驾驶场景中的视觉模型，便于自动驾驶场景中的车辆对当前驾驶环境中的目标进行识别。通常，目标检测方法需要对真实的驾驶场景有很好的鲁棒性。为了达到这一目标，目前标准的做法是制作大规模的数据集以包含真实场景中的各种情况，通过大量的数据来训练算法以提升算法的鲁棒性。目前COCO数据集[2]中约有10 000个具有不同遮挡程度的汽车样本。然而现实生活中的遮挡情况也遵循长尾理论，即一些很罕见的遮挡情况在数据集中几乎不会出现。图1所示为大规模数据集中的长尾情况，尽管数据集数据量够大，但是也很难突破长尾理论的限制。

图1 数据集中的遮挡情况

近年来，生成式对抗网络(Generative Adversarial Networks,GAN)广泛应用于图像和像素生成领域，并取得一系列成果[3-5]，这也让使用生成式对抗网络来生成遮挡图片成为一种可能。但考虑到生成式对抗网络模型的训练和生成依赖于宝贵的遮挡样本，且在前期模型生成阶段的成本太高，因此不得不考虑使用其他方法来解决训练样本不足的问题。一些已经提出来的目标检测方法表明[6-7]，使用所有样本进行训练通常不是最佳解决方案，并且选择“难”样本更好。为了在已有数据集的基础上得到不同遮挡程度的样本，而不产生新的样本，本文试图训练这样一个网络：首先使用对抗网络在特征图空间上生成Mask掩码来遮挡特征图的某些部分来得到样本的遮挡特征图；……