王 坤，项琦鑫

（中国民航大学 电子信息与自动化学院，天津 300300）

随着中国汽车保有总量的逐年上升，行车安全问题日趋严重。得益于人工智能的发展，智能汽车系统通过车辆目标检测来规避一定的行车风险。传统的车辆目标检测方法基于手工提取特征，检测精度低且无法满足车辆目标实时检测的需求，深度学习近年来在水下检测[1]、智慧医疗、导航定位[2,3]等领域取得巨大成功。根据目标边框产生以及变化的过程，基于深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）的目标检测算法主要分为两类，一类是以Faster R-CNN、Cascade RCNN 等为代表的two-stage算法，另一类是SSD、Yolo 系列算法[4,5]为代表的onestage 算法。由于two-stage 算法首先通过卷积神经网络（Convolutional Neural Networks,CNN）产生候选框，然后对相应候选框进行分类，而one-stage 算法将输入图片通过CNN 直接完成分类和定位任务，所以twostage 算法检测精度较高，但是检测速度远远不如onestage 算法。上述目标检测算法在公开的通用数据集中已经取得成功，可以满足一般目标的检测需要。小目标所占像素单元较少；遮挡目标有很多共享像素且可见像素有限，将类似遮挡目标或小目标这种可见像素或所占像素单元少的目标定义为弱目标。道路车辆目标中包含大量弱目标，上述算法对弱目标的检测效果不甚理想。

当前的目标检测算法无法有效完成遮挡目标及小目标等弱目标的检测任务，存在大量漏检和错检等问题。近年来，有不少学者针对小目标和遮挡目标等弱目标检测展开研究。文献[6]提出通过半空间捷径模块建立骨干网络来加强背景感知能力，抑制复杂背景信息对小目标信息的干扰，同时引入特征金字塔增强模块，通过细化的尺度层次提高小目标的特征表示。……