常亮，白傑，黄李波

（1. 同济大学 汽车学院，上海 200082；2. 中国科学院 微小卫星创新研究院，上海 201210）

近年来，随着计算机视觉与智能驾驶技术的快速发展，一系列基于卷积神经网络的感知算法被提出[1−3]，极大提高了智能驾驶汽车的感知性能. 由于光学相机易受到天气与光照等影响，在面对一些雨雾等恶劣天气、低光照以及远处小目标检测的场景时，仅依靠图像的感知系统会存在大量的漏检和误检；而毫米波雷达在恶劣天气和光照条件下仍能保持稳定的测距测速性能[4]. 因此，目前基于毫米波雷达与传感器融合的深度学习方案也得到了众多研究并取得一系列的技术成果[5−8]. NOBIS 等[5]提出的CRF-Net 通过融合摄像机数据和稀疏雷达数据在网络的投影增强了当前二维目标检测网络，并证明了融合网络的检测比纯图像网络表现更好. 针对夜间检测场景，KOWOL 等[6]提出了YOdar 网络将处理相机和雷达数据的两种神经网络输出以一种不确定性感知方式组合在一起，提高了夜晚目标检测性能.

注意力机制在2015 年被提出，在自然语言处理中取得了出色的表现，被逐渐引入到图像处理中[9].注意力机制是一种对资源的分配机制，按照对象的重要性将原本平均分配的计算资源重新分配，这种分配机制可以用于深度卷积网络中对权重进行重新分配. 受到启发，本文提出雷达注意力机制模型，并构建雷达与相机特征级融合网络，对恶劣场景目标检测问题的进行研究……