Debido a la complejidad del entorno en el que se encuentran los objetivos en el tráfico vial, y a los problemas de extracción insuficiente de características clave por parte del modelo y baja precisión de localización del objetivo, se seleccionó el modelo SSD como marco básico para investigar métodos de extracción de características, mejora de información clave y localización de características no locales. En primer lugar, para resolver específicamente el problema de la multiescala de los objetivos en escenarios de tráfico vial, se propuso una estructura de pirámide inversa de características con saltos, generando características más discriminativas; en segundo lugar, para resolver el problema de la diferente contribución de la información a distintos niveles semánticos durante el proceso de fusión de características, se diseñó un módulo de fusión adaptativa de características basado en un mecanismo de atención, que mejora la capacidad de expresión de características clave a nivel de canal de manera no apriorística; finalmente, se introdujo un módulo de atención cruzada en forma de cruz para mejorar la sensibilidad del modelo a la posición del objetivo. Los resultados experimentales muestran que, en comparación con el modelo SSD original, el método mejorado aumentó la precisión media en un 2,6% en el subconjunto PASCAL VOC y en un 3,9% en un conjunto de datos de tráfico vial propio, manteniendo la capacidad en tiempo real. En resumen, el algoritmo mejorado puede aplicarse ampliamente en tareas de detección de vehículos y peatones en carreteras.

aprendizaje profundo; detección de vehículos y peatones; pirámide de características; mecanismo de atención; fusión de características