如何使用基于转置卷积操作改进进行单阶段多边框目标检测方法

　　针对单阶段多边框目标检测（ SSD）模型在以高交并比（IoU）评估平均检测精度（mAP）时出现的精度下降问题，提出一种使用转置卷积操作构建的循环特征聚合模型。该模型以SSD模型为基础，使用ResNet 101作为特征提取网络。首先，利用转置卷积操作扩大网络结构中深层特征图的尺寸，为浅层特征图引入对目标的高层抽象和上下文信息；其次，使用全连接卷积层减少浅层特征图在进行特征聚合时出现偏差的可能性；最后，将浅层特征图与表示了上下文信息的深层特征图拼接，并使用lxl卷积操作恢复通道数。特征聚合过程可以循环进行多次。实验结果表明，使用KITTI数据集，以交并比（IoU）为0.7评估平均检测精度，与原始SSD模型相比，循环特征聚合模型的检测精度提高了5.1个百分点；与已有的精度最高Faster R-CNN相比，检测精度提高了2个百分点。循环特征聚合模型能有效提升平均目标检测精度，生成高质量的边界框。

　　在现实世界的应用中，以高精度分类和定位目标是服务质量的关键。例如，在高端的驾驶辅助系统中，精确地定位车辆和行人与实现安全的自动驾驶紧密相关。

　　近几年在目标检测领域取得的进展体现了深度卷积神经网络在自动驾驶技术发展中发挥的关键作用。目前基于卷积神经网络的不同方法可以大致被分为两类：第一类是类似基于区域卷积神经网络（ Regions with Convolutional Neural Network，R-CNN）‘11的双阶段方法。该类方法的第一阶段产生高质量的候选区域，第二阶段对候选区域进行分类和定位结果优化。另外一类方法取消了生成候选区域阶段，构建了一个单阶段的端到端模型。单阶段模型通常更加容易训练，能够在生产环境中达到更高的计算效率心］。然而，当单阶段模型需要以更高的交并比（ Intersection over Union，IoU）来评估平均目标检测精度时，运算速度的优势通常会被较低的检测精度抵消，而双阶段的目标检测方法能够取得更高的检测精度。造成单阶段方法在高IoU条件下检测精度降低的主要原因是：在复杂的场景中，模型很难生成高质量的边界框。