Aufgrund der komplexen Umgebung der Ziele im Straßenverkehr und der Probleme bei der unzureichenden Extraktion wichtiger Merkmale durch das Modell sowie der niedrigen Genauigkeit bei der Zielpositionierung wurde das SSD-Modell als grundlegendes Framework ausgewählt, um Methoden zur Merkmalextraktion, Verstärkung wichtiger Informationen und nichtlokale Merkmalserkennung zu erforschen. Erstens wurde zur gezielten Lösung des Problems der Mehrskaligkeit von Zielen im Straßenverkehr eine sprungartige umgekehrte Merkmals-Pyramidenstruktur vorgeschlagen, die aussagekräftigere Merkmale erzeugt; zweitens wurde zur Lösung des Problems, dass unterschiedliche semantische Ebenen unterschiedlich zum Merkmalsfusionsprozess beitragen, ein selbstadaptives Merkmalsfusionsmodul auf Basis eines Aufmerksamkeitsmechanismus entwickelt, das die Ausdrucksfähigkeit wichtiger Merkmale auf Kanalebene ohne Vorwissen verstärkt; schließlich wurde ein kreuzförmiges Aufmerksamkeitsmodul eingeführt, um die Positionssensitivität des Modells für Ziele zu verbessern. Die Experimentergebnisse zeigen, dass im Vergleich zum ursprünglichen SSD-Modell die mittlere Genauigkeit auf dem PASCAL VOC-Subset um 2,6 % und auf dem eigens erstellten Straßenverkehrsdatenbestand um 3,9 % verbessert wurde, wobei die Echtzeitfähigkeit erhalten blieb. Insgesamt kann der verbesserte Algorithmus weit verbreitet für die Erkennung von Fahrzeugen und Fußgängern im Straßenverkehr eingesetzt werden.

Deep Learning; Erkennung von Fahrzeugen und Fußgängern; Merkmals-Pyramide; Aufmerksamkeitsmechanismus; Merkmalsfusion