摘要： 道路环境感知是自动驾驶任务中的重要组成部分，为解决道路环境感知中小目标检测困难、检测目标尺寸不一致以及检测目标的遮挡给检测任务带来的困难，提出一种深度学习增强方法以提高目标检测性能。设计了 ＢｏｔｔｌｅｎｅｃｋＥＬＡＮ（ｂｏｔｔｌｅｎｅｃｋｅｆｆｉｃｉｅｎｔｌａｙｅｒａｇｇｒｅｇａｔｉｏｎｎｅｔｗｏｒｋｓ）模块作为主干，加强了模型的特征提取能力。使用 ＧａｔｈｅｒａｎｄＤｉｓｔｒｉｂｕｔｅ（ＧＤ）机制实现了特征图之间跨尺度的直接融合，解决了颈部网络的信息丢失问题。此外，采用 ＣｏｍｐｌｅｔｅＩＯＵ（ＣＩＯＵ）和 ＮｏｒｍａｌｉｚｅｄＷａｓｓｅｒｓｔｅｉｎＤｉｓｔａｎｃｅ（ＮＷＤ）相结合的损失函数组，解决了单一 ＩＯＵ损失函数对不同尺度物体位移敏感性不一致和平滑性差的问题。结果表明，改进后的模型在 ＢＤＤ１００Ｋ数据集上的平均精度均值达到了 ４３．４％，相较于原始的 ＹＯＬＯｖ７算法提高了 ３．１％，并且在小目标检测中精度提升更为明显，达到 １０％。

关键词: 计算机视觉；目标检测；深度学习；ＹＯＬＯｖ７算法

中图分类号: 

• ＴＰ３９１．４