4.算法原理以及算法效果（车载目标检测）

优质

小牛编辑

133浏览

2023-12-01

目标检测部分包括对机器人检测和装甲板检测，要求准确率和检测帧率可以达到实时效果，我们的目标检测算法基于anchor-base算法框架SSD（Single Shot MultiBox Detector），SSD框架对于轻量级主干网络，小目标检测效果不够理想，但是我们经过结构调整之后，整体算法效果有了惊人提升，我们采用的backbone基于mobilenet-v3，并进行一些改进，使其可以适应size为512×512大小图片输入，并且添加了PaFpn结构，来对输出的多尺度特征层进行融合，令小尺度的特征层具有丰富的语义信息，大尺度特征则有更为丰富的特征信息，解决了SSD框架小目标检测效果差的问题。

图 4.1 目标检测算法神经网络结构图

Backbone

我们删除了原文中一些block，使得小特征不会在计算中丢失，并且加快了推理速度。

图 4.2 mobilenet-V3 改进版（橙色为特征输出)

网络结构

结构层数	ker	in	hidden	out	stride	acti	res
1（conv）	3	3	/	16	2	/	/
2（block）	3	16	64	24	2	Relu	F
3（block）	5	24	72	40	2	Relu	F
4（block）	3	40	240	80	2	hswish	F
5（block）	3	80	200	80	1	hswish	T
6（block）	3	80	480	112	1	hswish	F
7（block）	3	112	672	160	1	hswish	F
8（block）	5	160	672	160	2	hsiwsh	T
9 (conv)	1	160	/	960	1	/	/
extra--layer
10（block）	3	960	256	512	2	/	/
11（block）	3	512	128	256	2	/	/
12（block）	3	256	128	256	2	/	/
13（block）	3	256	64	128	2	/	/

Necks

我们在实验过程中发现了无fpn结构网络对于小目标识别效果较差这个问题，Fpn结构可以有效地提升浅层特征的语义信息，同样也可以丰富深层特征的特征信息，使得定位更加精确，相比不采用fpn结构，采用fpn结构之后小目标识别的效果显著提升，经过算法对比，采用pafpn结构对于我们的网络结构检测效果提升明显。更多关于fpn结构的相关信息请查阅相关论文。[PaFpn 论文地址](https://arxiv.org/abs/1803.01534)

图 4.3 paFpn网络结构图

网络结构

层数	input	hidden（down）	output（up）
1	672	128	128
2	960	128	128
3	512	128	128
4	256	128	128
5	256	128	128
6	128	128	128

BoxHead

我们的BoxHead结构是对提取的特征进行回归，得到分类结果和包围框结果。

图 4.4 BoxHead 结构图

anchors

anchors 锚点，共计有 4774 个

layer	priorbox size
1	[16,16] [21,21]
2	[40, 40] [76,76] [13,13] [120,120] [80,80] [20,20]
3	[148, 148] [186,186] [74,74] [105,105] [296,296] [207,207]
4	[236,236] [276,276] [118,118] [168,168] [330,330] [472,472]
5	[324,324][365,365]
6	[412,412][459,459]

数据处理

神经网络的训练数据来自于大疆机甲大师开源数据集，以及在自己场地上录制的部分数据集，在用官方数据集训练完成backbone之后，针对人工智能挑战赛，进行微调boxHead的操作。
由于官方数据集分辨率较高，直接输入，运算量较大，不利于推理加速，因此采用将官方数据集切割为512512大小的样本来进行训练。为了达到多尺度训练效果，训练集中增添了300300大小数据和100*100大小数据。

数据集样例：