基于半监督学习的自动驾驶场景下的目标检测

• 作者: 文海名 童孟军
• 来源期刊: 微电子学与计算机
• 学科: 工学
• 关键词: 目标检测 自动驾驶 注意力机制 特征融合 半监督学习
• 年，卷（期）: 2023,（2）
• 所属期刊栏目: 人工智能与算法
• 页码范围: 28-42
• 页数: 15页
• 语种: 中文

摘要

由于自动驾驶场景下拍摄的图像目标尺度变化剧烈和环境复杂多变,检测具有不小的难度;获取大量模型训练需要的标注数据图像存在困难,而获取大量未标注数据图像较容易.为了解决上述两个问题,提出一种基于半监督学习的 自动驾驶场景下的目标检测模型TransDet.首先,在特征提取部分提出一个具有全局注意力的MSADark模块,以提取图像更多的全局信息以及捕获远程依赖关系;其次在特征融合部分提出一个位置注意力加权特征融合网络LAFFN,用于不同特征融合层捕获局部的位置和通道信息,增强多层次特征加权融合和网络特征表示能力,缓解目标尺度剧烈变化的影响;最后提出一种简单高效的半监督学习算法框架EODS,高效利用未标注数据的同时进一步提升了模型性能.实验结果表明:改进模型在保证实时性的情况下,mAP@50精度从55.1％提升到了 61.6％,相比最新的YOLOv5模型精度增加了 6.5％,在保证实时的检测速度的同时提升模型检测性能.特别是在仅使用少量未标注数据的情况下使用半监督学习算法EODS将mAP.50性能提升至65.4％,提升达到10.3％,表明了该模型在自动驾驶场景下的目标检测的有效性.