黄天果，何 嘉，沈庆阳

(成都信息工程大学 计算机学院，四川 成都 610225)

0 引 言

随着虚拟现实(virtual reality，VR)技术的飞速发展与广泛应用，360°全景视觉图像的应用也随之增加。360°全景视觉图像由于其对周围环境无死角的全感知能力在无人驾驶领域中发挥越来越重要的作用。

基于卷积神经网络(convolutional neural network，CNN)的目标检测方法现已成为目标检测领域的主流方法。根据训练方式的不同，当前目标检测方法主要分为基于区域候选框提取的双阶段方法和能实现端到端训练的单阶段方法，其中双阶段方法以R-CNN[1]系列为主，通过提取候选框后加以训练实现高精度目标检测。但随着实际应用的深入以及对实时要求的提高，R-CNN系列方法很难用于无人驾驶等对实时性要求较高的领域，而端到端的单阶段方法[2]的出现改变了这一情况，在可接受的范围内降低精确度而大幅提高检测速度，使得单阶段方法更受工业界欢迎。

通过实验可以验证，不同图像输入大小对基于全景视觉下的目标检测结果造成很大影响，采用高分辨率全景图像能有效提高检测精确度，但检测速度较慢；目前基于道路场景下的全景目标检测数据集很少，导致训练缺乏足够的样本数，对检测精确度造成影响；针对原YOLO[2]作者Redmon提出的最新目标检测方法YOLOv3[3]，改进网络结构使其在可接受范围内降低精确度并有效提高高分辨率全景图像检测速度。

1 相关工作

从三维的球面图像变换到二维平面图像的过程被称为投影，根据球面不同位置的显示需要，投影方式可以分为圆柱投影、圆锥投影和方位投影。……