Devido à complexidade do ambiente em que os alvos se encontram no tráfego rodoviário, e aos problemas de extração insuficiente de características-chave pelo modelo e baixa precisão na localização do alvo, o modelo SSD foi selecionado como estrutura básica para desenvolver pesquisas sobre métodos de extração de características, aprimoramento de informações-chave e localização de características não locais. Primeiramente, para resolver especificamente o problema dos alvos em múltiplas escalas no cenário do tráfego rodoviário, foi proposta a estrutura de pirâmide invertida de características com saltos, gerando características mais discriminativas; em seguida, para resolver o problema da contribuição diferente das informações em níveis semânticos distintos durante o processo de fusão de características, foi projetado um módulo adaptativo de fusão de características baseado em mecanismo de atenção, que reforça a capacidade expressiva das características-chave a nível de canal de forma não a priori; por fim, foi introduzido o módulo de atenção cruzada em forma de cruz, elevando a sensibilidade do modelo à localização dos alvos. Os resultados experimentais mostram que, em comparação com o modelo SSD original, o método aprimorado aumentou a precisão média em 2,6% no subconjunto PASCAL VOC e em 3,9% no conjunto de dados próprio de tráfego rodoviário, mantendo o tempo real. Considerando tudo, o algoritmo aprimorado pode ser amplamente aplicado em tarefas de detecção de veículos e pedestres em estradas.

aprendizagem profunda; detecção de veículos e pedestres; pirâmide de características; mecanismo de atenção; fusão de características