韩雁鹏 侯 进 谭光鸿 罗 朔

(西南交通大学信息科学与技术学院 四川 成都 611756)

0 引 言

近年来，随着深度学习技术的出现与不断发展，目标检测模式也由传统的手工提取特征的方式转变为神经网络自主学习以提取目标图像特征。与传统的目标检测算法相比，神经网络提取的特征更加抽象与复杂，特征有更好的表达能力，这也是深度学习与目标检测结合的主要原因之一。而对于无人驾驶来说，目标检测技术的发展也进一步提高了无人驾驶环境感知能力，使得无人驾驶车辆可以更加快速安全地对道路环境做出实时反应。

Girshick等[1]提出了基于卷积神经网络的目标检测模型R-CNN，使用CNN(Convolutional Neural Network)对候选区域进行分类，这也是深度学习方法在目标检测领域中的首次系统应用。目前，基于深度学习的目标检测方法主要分为两类:双步(two-stage)目标检测算法，这些算法将目标检测分为两个阶段，首先使用RPN(Region Proposal Network)来生成待检测目标信息，然后再使用一个神经网络检测模型对待检测目标的位置信息和类别信息进行检测，典型代表为: Faster R-CNN[2]、FPN[3]、Mask R-CNN[4]等；单步(one-stage)目标检测算法，与双步模型相比，单步算法不使用 RPN网络，只使用单个目标检测网络模型来直接预测目标的位置和类别信息，因此，单步目标检测算法通常具有更高的检测速度，并且可以实现端到端的目标检测。典型代表算法为：SSD[5-6]、YOLO系列[7-9]等。SSD算法运行在单块Nvidia GTX 1080Ti显卡上检测速度可达到53帧每秒(输入图像尺寸为300×300像素)。但是对于无人驾驶汽车来说，由于功耗、空间以及成本等原因，目标检测等环境感知算法需要搭载在一些内存受限的嵌入式设备上，并在检测结果可接受的情况下达到实时检测的效果，所以本文进一步优化算法以提高目标检测算法的检测效率。……