В связи со сложной средой объектов в дорожном движении и проблемой недостаточного извлечения ключевых признаков моделью, а также низкой точностью определения положения цели, была выбрана модель SSD в качестве базовой структуры для исследования способов извлечения признаков, усиления ключевой информации и неместного позиционирования признаков. Во-первых, для целенаправленного решения проблемы многоуровневости целей в дорожных сценариях предложена структура скачащей обратной пирамиды признаков, генерирующая более различимые признаки; во-вторых, для решения проблемы разной вклада информации на различных семантических уровнях в процесс слияния признаков разработан адаптивный модуль слияния признаков на основе механизма внимания, который априорно на канальном уровне усиливает выражение ключевых признаков; наконец, введен модуль перекрестного внимания, повышающий чувствительность модели к позициям объектов. Результаты экспериментов показывают, что по сравнению с исходной моделью SSD средняя точность улучшена на 2,6% на подмножестве данных PASCAL VOC и на 3,9% на самодельном наборе данных дорожного движения при сохранении реального времени. В целом, улучшенный алгоритм может широко применяться в задачах обнаружения транспортных средств и пешеходов на дорогах.

глубокое обучение; обнаружение транспортных средств и пешеходов; пирамида признаков; механизм внимания; слияние признаков