XXXV改進(jìn)SSD的車輛行人檢測方法案例目錄TOC\o"1-3"\h\u26336改進(jìn)SSD的車輛行人檢測方法案例 129651.1SSD目標(biāo)檢測算法 122221.1.1SSD網(wǎng)絡(luò)結(jié)構(gòu) 115151.1.2SSD默認(rèn)框 2199761.1.3SSD損失函數(shù) 376471.1.4SSD存在的問題 3160661.2雙向特征金字塔特征融合 3204991.2.1反卷積 342591.2.2特征融合方式 4164091.3改進(jìn)的雙注意力模塊 5128561.1.1自編碼的空間注意力 678101.1.2通道注意力 713151.4優(yōu)化損失函數(shù) 8134311.4.1分類損失函數(shù)FocalLoss 830141.4.2使用CIoU作邊界框損失 8269191.5實(shí)驗(yàn)結(jié)果與分析 10116561.5.1實(shí)驗(yàn)數(shù)據(jù)集 10306011.5.2實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置 1135901.5.3實(shí)驗(yàn)結(jié)果與分析 111.1SSD目標(biāo)檢測算法1.1.1SSD網(wǎng)絡(luò)結(jié)構(gòu)SSD算法是直接在輸入的整張圖像進(jìn)行卷積，利用金字塔結(jié)構(gòu)的多尺度特征層來預(yù)測目標(biāo)邊框的坐標(biāo)位置和目標(biāo)所屬類別。SSD算法使用VGG作為基礎(chǔ)特征提取網(wǎng)絡(luò)，之后使用一組卷積進(jìn)行多尺度特征圖預(yù)測，可以檢測出大小不同的目標(biāo)。輸入圖像的大小為300×300或者512×512。SSD網(wǎng)絡(luò)結(jié)構(gòu)如圖3-1所示，VGG網(wǎng)絡(luò)模型總共16層，包括5組卷積（前兩組卷積分別是2個(gè)卷積層，后面的3組卷積分別是3個(gè)卷積層）和3個(gè)全連接層。SSD模型去掉了VGG網(wǎng)絡(luò)的全連接層FC6和FC7，換用卷積層Conv6和Conv7。在特征提取后額外加入Conv8_2、Conv9_2、Conv10_2和Conv11_2卷積，SSD網(wǎng)絡(luò)檢測層是通過1×1的卷積核降維，3×3的卷積核提取特征，與前面的特征層構(gòu)成特征金字塔進(jìn)行多尺度特征預(yù)測目標(biāo)的邊框和類別。最后，在非極大抑制算法NMS處理下輸出結(jié)果。每一組卷積之后都跟著一個(gè)最大池化層，作用是使特征圖的尺寸縮小，降低特征圖的維數(shù)，減少模型的計(jì)算量。SSD模型中的卷積層比較多，每一層中的卷積核數(shù)量不一樣，隨著提取的特征越來越深入，后面卷積層的卷積核數(shù)量增多，卷積核的數(shù)量依次是64，128，256，512，512。卷積層和池化層的使用降低了參數(shù)量，非線性變換次數(shù)也變多，模型學(xué)習(xí)到的特征更明顯。圖3-1SSD網(wǎng)絡(luò)結(jié)構(gòu)Fig.3-1SSDnetworkstructure1.1.2SSD默認(rèn)框SSD算法選擇了6個(gè)特征輸出層，不同尺度的特征圖來預(yù)測目標(biāo)，SSD默認(rèn)框從Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2這6層特征圖生成。Conv4_3這一層的特征圖的大小是38×38，Conv7這一層特征圖的大小是19×19，Conv8_2這一層的特征圖的大小是10×10，Conv9_2、Conv10_2和Conv11_2的特征圖依次是5×5、3×3、1×1。每個(gè)特征圖上的特征像素中心點(diǎn)生成k個(gè)默認(rèn)框，SSD在每個(gè)中心點(diǎn)上生成4個(gè)或6個(gè)默認(rèn)框，在SSD300中生成默認(rèn)邊界框個(gè)數(shù)是8732。這些默認(rèn)框具有不同的尺度與不同的長寬比。每個(gè)默認(rèn)框都會(huì)預(yù)測出c個(gè)類別的分?jǐn)?shù)和4個(gè)坐標(biāo)的位置偏移值。SSD目標(biāo)檢測算法采用了anchors機(jī)制，設(shè)置一些尺度和長寬比不同的默認(rèn)框。每一層特征層都需要計(jì)算，對(duì)SSD產(chǎn)生的默認(rèn)框的尺寸大小計(jì)算如式（3-1）所示，m表示的是特征圖的數(shù)量，和表示的是默認(rèn)框的最大最小尺度的參數(shù)。表示第k個(gè)用于預(yù)測的特征圖的默認(rèn)框和原來圖像尺寸的比例。（3-1）一般是設(shè)置了6種不同長寬比的默認(rèn)框，比例分別為（1:1）、（2:1）、（1:2）、（1:1）、（1:3）和（3:1），其中有兩個(gè)大小不同但是長寬比都是1的默認(rèn)框。特征圖的默認(rèn)框的尺寸和寬高的計(jì)算公式如式（3-2）所示。，（3-2）1.1.3SSD損失函數(shù)SSD算法在不同的特征圖上生成默認(rèn)框后分別輸出預(yù)測結(jié)果，完成目標(biāo)分類和邊框回歸。所以損失函數(shù)有兩部分組成，類別置信度損失和邊框回歸損失。SSD的損失函數(shù)表示成二者的加權(quán)和，計(jì)算公式如式（3-3）所示。（3-3）邊框回歸損失用的是SmoothL1損失函數(shù)，代表預(yù)測框和真實(shí)框位置的誤差，SmoothL1損失函數(shù)公式如式（3-4）所示。（3-4）SSD中類別置信度損失，用的是交叉熵?fù)p失函數(shù)，具體公式如式（3-5）所示。（3-5）1.1.4SSD存在的問題SSD模型的基礎(chǔ)特征提取網(wǎng)絡(luò)是VGG，在不同的特征層上多尺度檢測，但是特征層之間是相互沒有聯(lián)系的，特征沒有互相補(bǔ)充。低層的特征提取不全面，圖像的語義表達(dá)不豐富，所以不利于小目標(biāo)的檢測，效果不好。高層的特征圖在多次卷積下特征提取充分，但是丟失了一些細(xì)節(jié)信息，對(duì)目標(biāo)檢測結(jié)果有影響。而且在模型中，非極大抑制算法是通過IoU計(jì)算，IoU存在缺點(diǎn)，不能真實(shí)反映預(yù)測框和真實(shí)框相交的關(guān)系，無法解決兩框不相交的問題。所以，在以下章節(jié)詳細(xì)講述改進(jìn)SSD的方法。1.2雙向特征金字塔特征融合1.2.1反卷積反卷積[38-39]是指可以改變圖像分辨率的操作，它的作用是放大特征圖像。反卷積過程如圖3-2所示。反卷積和卷積不同，反卷積對(duì)輸入的特征圖經(jīng)過零填充操作，在反卷積核的作用下得到放大后的特征圖。卷積神經(jīng)網(wǎng)絡(luò)中，上采樣有多種方法，本文用到的是反卷積。圖3-2反卷積示意圖Fig.3-2DeconvolutionSchematicDiagram反卷積之后的特征圖保留輸入的特征信息，特征圖的尺寸被放大，不同的特征圖進(jìn)行融合需要保證特征圖尺寸一樣。反卷積操作為之后的特征融合做好準(zhǔn)備工作。1.2.2特征融合方式（1）特征金字塔網(wǎng)絡(luò)(FeaturePyramidNetwork,FPN)FPN[40]是2017年提出的多尺度目標(biāo)檢測算法，通過反向傳播跨層連接的方式，自頂向下進(jìn)行多尺度特征融合，F(xiàn)PN的網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3-3所示，F(xiàn)PN模型通過自上而下的路徑和橫向連接，將低層語義豐富的特征和高層語義上較弱的特征融合，在多個(gè)不同尺度的融合特征上進(jìn)行預(yù)測。圖3-3特征金字塔示意圖Fig.3-3SchematicdiagramofFeaturePyramidNetworkFPN存在的缺點(diǎn)是在特征融合過程中，不同尺度特征不一致，而且很多對(duì)目標(biāo)檢測沒有用的信息也會(huì)融合進(jìn)來。在FPN中淺層特征提取不充分，也沒有被充分利用起來，淺層特征對(duì)小目標(biāo)的檢測十分重要。（2）雙向特征金字塔網(wǎng)絡(luò)為了解決FPN的問題，高效地進(jìn)行特征的融合，保留有用的特征，增強(qiáng)特征的表達(dá)，去掉冗余的特征[41]。使用雙向特征金字塔，對(duì)FPN做了改進(jìn)，如圖3-4所示，它有兩個(gè)自底向上路徑和一個(gè)自上向下路徑。它有以下幾個(gè)改進(jìn)：在原來的FPN上增加了自底向上的路徑，解決了FPN對(duì)淺層特征不能充分利用的問題，應(yīng)用自頂向下，自下向上雙向的多尺度特征融合成一個(gè)模塊，特征在傳遞同時(shí)增強(qiáng)了信息的融合。在雙向特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)中，C1，C2，C3表示各層上不同分辨率的特征，在自頂向下的路徑中，對(duì)高層特征通過上采樣，然后利用自底向上路徑將淺層的細(xì)節(jié)信息傳遞到高層，對(duì)S1，S2，S3進(jìn)行上采樣，對(duì)特征進(jìn)行增強(qiáng)。使用卷積核為1×1的卷積層的橫向連接來使得特征維數(shù)相同，以便進(jìn)行特征融合。圖3-4雙向特征金字塔示意圖Fig.3-4Bi-directionalfeaturepyramid1.3改進(jìn)的雙注意力模塊注意機(jī)制的應(yīng)用，使得特征圖中的每個(gè)元素可以自適應(yīng)地學(xué)習(xí)其相應(yīng)的權(quán)重，這可以充分增強(qiáng)算法模型對(duì)目標(biāo)特征的充分表達(dá)，可以獲取特征圖更豐富的語義信息。受注意力機(jī)制的啟發(fā)，針對(duì)原來SSD特征融合過程中沒有考慮特征圖在不同路徑下產(chǎn)生的影響不同。傳統(tǒng)的注意力機(jī)制通常只注意特征在空間上的權(quán)重，根據(jù)權(quán)重判別特征中哪些是關(guān)鍵部分，但是特征圖中不同通道之間的聯(lián)系不被關(guān)注。為了解決這個(gè)問題，本章在前一節(jié)的特征融合過程中將引入雙注意力模塊，如圖3-5所示，雙注意力由空間注意力和通道注意力組成，在自頂向下和自上而下的路徑中加入通道注意力，在橫向路徑中加入空間注意力，二者通過簡單加法獲得的特征圖可以通過特征圖中元素權(quán)重的學(xué)習(xí)來獲得語義信息顯著增強(qiáng)的特征圖。提高了原始特征圖的語義表示能力，特征圖的重要程度更加明顯，更多有用的信息來增強(qiáng)生成的特征，生成的特征更加具有表達(dá)能力，尤其是對(duì)小目標(biāo)很重要，可以提升小目標(biāo)檢測的準(zhǔn)確性。采用雙向特征金字塔網(wǎng)絡(luò)為構(gòu)架,結(jié)合通道注意力和空間注意力做融合。雙注意力模型作為各個(gè)基本特征之間融合的橋梁，穿插在雙向的特征金字塔網(wǎng)絡(luò)上。最后將由深到淺和由淺到深兩個(gè)方向上生成的特征圖做特征融合，獲得語義更加準(zhǔn)確的特征。圖3-5雙注意力模塊網(wǎng)絡(luò)結(jié)構(gòu)Fig.3-5Networkstructureofdualattentionmodel1.1.1自編碼的空間注意力空間注意力[42]模塊的目的是在提取的各層特征上，進(jìn)一步獲得不同區(qū)域特征的上下文聯(lián)系，得到各區(qū)域的重要性權(quán)重，可以增強(qiáng)區(qū)域之間的相關(guān)性?？臻g注意力通過獲取空間內(nèi)各像素之間的關(guān)聯(lián)性，形成一個(gè)空間上下文關(guān)聯(lián)的關(guān)系，特征圖的每個(gè)像素位置的分配的權(quán)重是不同的，用于突出空間內(nèi)的有效特征、抑制無效特征，從而達(dá)到對(duì)特征進(jìn)行選擇和融合的作用。空間注意力模塊，本文使用自編碼器的操作來實(shí)現(xiàn)空間注意力，自編碼網(wǎng)絡(luò)結(jié)構(gòu)由兩部分構(gòu)成，一個(gè)是編碼層，一個(gè)是解碼層。網(wǎng)絡(luò)結(jié)構(gòu)中用到簡單的卷積和反卷積。具體實(shí)現(xiàn)過程如圖3-6所示：首先使用1×1的卷積核(padding=0,stride=1)的卷積層將C維的原始特征映射到1維。在進(jìn)入自動(dòng)編碼器之前，需要將特征圖轉(zhuǎn)換為單通道的特征圖，以聚合通道信息。通過ReLu激活函數(shù)后，我們使用3×3的卷積核(padding=1,stride=2)的卷積層，將特征圖在空間上縮小。之后再通過反卷積的卷積層來把特征映射恢復(fù)到之前的大小。特征映射的權(quán)重通過Sigmoid的對(duì)應(yīng)區(qū)域，通過瓶頸的結(jié)構(gòu)得到空間層次上的特征圖的相關(guān)性。圖3-6自編碼空間注意力Fig.3-6Autocodedspatialattention1.1.2通道注意力卷積神經(jīng)網(wǎng)絡(luò)中，不同通道的特征不同。通道注意力[43]就是基于原始提取的特征，利用不同通道維度的重要性，然后對(duì)特征進(jìn)行重新加權(quán)標(biāo)定，獲得通道之間的相互關(guān)系。不同通道的特征所提取到的信息是不同的，通道注意力機(jī)制關(guān)注重要的通道特征，過濾無用的通道特征，是一個(gè)對(duì)特征進(jìn)行重新標(biāo)定的過程，添加通道注意力模塊來加權(quán)特征圖的每個(gè)通道。本文的通道注意力的輸入為特征圖F，表示為H×W×C，C、H和W分別是特征圖的通道數(shù)、高度和寬度，如圖3-7所示，我們首先對(duì)輸入的特征圖使用全局池化（Globalpooling）來聚合所有特征通道的全局信息，在空間層面將原始特征映射壓縮到1×1的大小，通道數(shù)還是C，得到大小為1×1×C的特征圖。為了生成通道注意力的權(quán)重，經(jīng)過大小為1×1的卷積層和一個(gè)ReLu激活層，生成新的特征圖，通道數(shù)變?yōu)镃/r。然后，通過1×1卷積核的卷積層(padding=0，stride=1)，將特征圖的維數(shù)從C/r恢復(fù)到C。網(wǎng)絡(luò)最終經(jīng)過Sigmoid歸一化操作得到每個(gè)特征圖通道間的權(quán)重，從而獲得特征圖在特征通道的相關(guān)性。通道注意力機(jī)制的計(jì)算公式如式（3-6）所示。（3-6）是表示1×1卷積的權(quán)重，表示全局池化（Globalpooling），表示激活函數(shù)，激活函數(shù)。圖3-7通道注意力示意圖Fig.3-7Schematicdiagramofchannelattention1.4優(yōu)化損失函數(shù)1.4.1分類損失函數(shù)FocalLossSSD目標(biāo)檢測算法分類損失使用的是交叉熵?fù)p失函數(shù)，應(yīng)用在行人車輛檢測方面，正負(fù)樣本分布嚴(yán)重不平衡，負(fù)樣本目標(biāo)遠(yuǎn)多于正樣本目標(biāo)，負(fù)樣本的損失較小，易分類的負(fù)樣本太多，在訓(xùn)練過程中會(huì)影響損失，數(shù)量少的正樣本在損失函數(shù)發(fā)揮的作用不大，所以會(huì)導(dǎo)致模型訓(xùn)練的效果不好。FocalLoss[44]這種新的損失函數(shù)的提出，對(duì)交叉熵?fù)p失增加權(quán)重，用它來代替原網(wǎng)絡(luò)中分類的交叉熵?fù)p失函數(shù)。為了解決數(shù)據(jù)集中正負(fù)樣本非平衡問題，F(xiàn)ocalLoss損失函數(shù)在交叉熵?fù)p失中改進(jìn)，加入修正系數(shù),該系數(shù)與概率是反比的關(guān)系，計(jì)算公式如式（3-7）所示。正樣本雖然數(shù)量少，但是權(quán)重系數(shù)也大，對(duì)模型來說有效的信息也多，相反負(fù)樣本數(shù)量較多，但它的權(quán)重系數(shù)較小，對(duì)模型的貢獻(xiàn)度少，因而，訓(xùn)練模型的損失函數(shù)更好。加入權(quán)重系數(shù)后的交叉熵?fù)p失函數(shù)中，y為類別標(biāo)簽，是輸出概率。（3-7）為了模型能更好地訓(xùn)練困難的樣本，在FocalLoss計(jì)算中，引入了一個(gè)新的參數(shù)γ,FocalLoss的計(jì)算公式如式（3-8）所示。（3-8）FocalLoss函數(shù)中新加入的參數(shù)α以及γ，目的是可以調(diào)節(jié)正負(fù)樣本占的權(quán)重和難易分類樣本占的權(quán)重，F(xiàn)ocalLoss通過增強(qiáng)難分類樣本的損失值，易分類樣本的損失值降低，這樣模型就可以有效訓(xùn)練難分類樣本，對(duì)難分類樣本的檢測效果更好，因而能夠提高模型的整個(gè)檢測準(zhǔn)確率。損失函數(shù)如式（3-9）所示。（3-9）1.4.2使用CIoU作邊界框損失原SSD計(jì)算邊界框回歸損失時(shí)，使用的預(yù)測框主要是通過交并比(IoU)回歸得到的。IoU計(jì)算公式如式（3-10）所示，交并比（IoU）在目標(biāo)檢測中是常用的評(píng)價(jià)目標(biāo)位置準(zhǔn)確性的指標(biāo)，用來表示真實(shí)框和預(yù)測框的重合度，表示兩個(gè)框的交集和并集的比值。比較IoU的值，可以得到重合程度。但I(xiàn)oU只關(guān)注目標(biāo)真實(shí)邊框和預(yù)測框的重疊部分。當(dāng)兩個(gè)框互相包含或者沒有重疊的部分，IoU就看不到效果。IoU只有在邊界框有重疊時(shí)才有效果，在沒有重疊部分的情況下，不能向任何梯度反向傳播。所以，當(dāng)兩個(gè)框沒有相交時(shí)，不管距離是多少，IoU值都是零，梯度也是0，網(wǎng)絡(luò)不能繼續(xù)學(xué)習(xí)和訓(xùn)練，影響后面參數(shù)的更新。（3-10）而廣義交叉并交比（GIoU）[45]損失考慮兩個(gè)邊界框的最小外接矩形，解決了IoU無法優(yōu)化預(yù)測框和真實(shí)框在不相交時(shí)的方向問題，尤其是沒有重疊部分下梯度消失的問題得以解決。GIoU有一個(gè)優(yōu)點(diǎn)就是它作為損失，能夠在兩個(gè)框所有可能出現(xiàn)的情況下都有梯度，可以提高檢測精度和訓(xùn)練模型的收斂速度，但還是存在收斂慢以及回歸不夠精確的問題。GIoU通過擴(kuò)展預(yù)測框直到與真實(shí)框相交，當(dāng)兩個(gè)框相交時(shí)，GIoU也就變成了IoU。因此，GIoU不能準(zhǔn)確表示預(yù)測框和真實(shí)框之間的重疊部分，也不能給出一個(gè)框被另一個(gè)框包圍時(shí)的方向該如何優(yōu)化。距離交叉比（DIoU）[46]可以考慮目標(biāo)與中心點(diǎn)之間的距離，重疊部分和比例，然后避免諸如IoU和GIoU等訓(xùn)練過程中發(fā)散的問題。DIoU損失最大程度地縮短了兩個(gè)框中心點(diǎn)之間的距離，從而加速收斂。DIoU可以很好地實(shí)現(xiàn)預(yù)測位置的回歸，但是當(dāng)預(yù)測框的中心與真實(shí)框的中心重合時(shí)，不能繼續(xù)優(yōu)化。為了實(shí)現(xiàn)更全面的優(yōu)化，提出了Complete-IoU[47]損失函數(shù)，CIoU損失函數(shù)的計(jì)算公式如式（3-11）所示，該函數(shù)綜合考慮了兩個(gè)框的重疊部分，CIoU損失引入了預(yù)測框與真實(shí)框的長寬比，可以進(jìn)一步加速收斂并提高性能。CIoU函數(shù)直接使得預(yù)測框與真實(shí)框之間的歸一化距離達(dá)到最小，加快收斂，且對(duì)尺度具有不變形，解決了IoU不能準(zhǔn)確反映兩個(gè)框的重疊度的問題，使回歸在真實(shí)框與目標(biāo)框有重疊甚至包含時(shí)更準(zhǔn)確、更快。本文使用CIoU代替原始的邊界框損失函數(shù)IoU來直接優(yōu)化，以使邊界框檢測更加準(zhǔn)確，加快了回歸的速度。因此，把CIoU損失函數(shù)應(yīng)用在本文改進(jìn)的方法中。（3-11）l表示預(yù)測框和真實(shí)框的中心點(diǎn)之間的歐幾里得距離，和表示真實(shí)框和預(yù)測框的中心，α是平衡因子參數(shù)，C表示預(yù)測框和真實(shí)框的最小外圍矩形的對(duì)角線距離，υ是形狀懲罰，用于測量長寬比比例的相似度參數(shù)，是用來衡量真實(shí)框和預(yù)測框。α和v的計(jì)算方法如式（3-12）和（3-13）所示。（3-12）（3-13）1.5實(shí)驗(yàn)結(jié)果與分析1.5.1實(shí)驗(yàn)數(shù)據(jù)集因?yàn)楸疚氖菍?duì)交通場景下的車輛行人檢測，在數(shù)據(jù)集的選擇上要考慮交通場景及應(yīng)用。數(shù)據(jù)圖像也廣泛多樣化。因此，選擇了KITTI數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，該數(shù)據(jù)集是由德國的卡爾斯魯厄理工學(xué)院和豐田美國技術(shù)研究院共同創(chuàng)建的，是基于智能自動(dòng)駕駛領(lǐng)域的數(shù)據(jù)集，計(jì)算機(jī)視覺技術(shù)如目標(biāo)檢測、目標(biāo)跟蹤和目標(biāo)分割都用該數(shù)據(jù)集測評(píng)[48]。而且數(shù)據(jù)集中的圖片提供了各種真實(shí)的駕駛場景，如圖3-8所示，包括了街道、高速公路、鄉(xiāng)村和市區(qū)等不同場景。數(shù)據(jù)集圖片中汽車車輛的數(shù)量較多且車輛目標(biāo)的尺寸比較大，而行人目標(biāo)的尺寸比較小，檢測存在的問題是車輛行人目標(biāo)的在圖片中占的比重較小，目標(biāo)多尺度變化、目標(biāo)間容易互相遮擋，難檢測。圖3-8KITTI數(shù)據(jù)集圖片示例圖Fig.3-8SamplePictureofKITTIDataSet本文實(shí)驗(yàn)使用的是用于目標(biāo)檢測的KITTI2D數(shù)據(jù)集，含有標(biāo)注信息的有7481張訓(xùn)練圖片，每張圖片里面包含車輛，行人，還有騎行者，圖片的尺寸大小通常是1242×375。數(shù)據(jù)集中一共8個(gè)類別，有Car，Van，Truck，Pedestrian等，本文研究車輛行人檢測，所以對(duì)數(shù)據(jù)集進(jìn)行篩選，將Van、Truck、Tram標(biāo)記為Car,與Car類進(jìn)行合并。不考慮騎行者，忽略其他無關(guān)因素。將KITTI數(shù)據(jù)集按照VOC數(shù)據(jù)集的格式轉(zhuǎn)化,最后的實(shí)驗(yàn)數(shù)據(jù)集有2個(gè)目標(biāo)類別,車輛和行人。數(shù)據(jù)集中的7481張有標(biāo)注的圖片分為5000張的訓(xùn)練數(shù)據(jù)，2481張圖片作為測試數(shù)據(jù)。1.5.2實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置本文的實(shí)驗(yàn)環(huán)境如表3-1所示。表3-1實(shí)驗(yàn)環(huán)境Table3-1Experimentalenvironment實(shí)驗(yàn)環(huán)境配置操作系統(tǒng)Windows10CPUIntel(R)Core(TM)i7-6100GPUNVIDIAGeForceGTX1080Ti內(nèi)存64GB深度學(xué)習(xí)框架PyTorch編程語言Python1.6實(shí)驗(yàn)的參數(shù)設(shè)置：輸入圖片的大小是300×300，批處理大小設(shè)置為8，使用隨機(jī)梯度下降方法進(jìn)行優(yōu)化參數(shù)，權(quán)重衰減設(shè)為0.0005，動(dòng)量設(shè)置成0.9；訓(xùn)練的初始學(xué)習(xí)率設(shè)為0.001，在KITTI數(shù)據(jù)集上總迭代10000次，模型訓(xùn)練迭代到5000次時(shí)，將學(xué)習(xí)率降為0.0005，模型繼續(xù)收斂，迭代到8000次時(shí)，將學(xué)習(xí)率設(shè)置為0.0001，繼續(xù)迭代直到學(xué)習(xí)率衰減成0.00001，迭代到10000次訓(xùn)練結(jié)束。1.5.3實(shí)驗(yàn)結(jié)果與分析（1）本文算法與其他算法對(duì)比為了進(jìn)一步驗(yàn)證本文方法的性能，將其他的方法FSSD[49]，YOLOV3[50]與本文算法在KITTI數(shù)據(jù)集進(jìn)行對(duì)比，對(duì)比的結(jié)果如表3-2所示。表3-2各種算法性能比較Table3-2Performancecomparisonofvariousalgorithms模型Precision%Recall%mAP%FPSSSD88.566.175.541FSSD87.367.475.830YOLOV388.169.178.437本章方法89.269.678.844通過表3-2可以看出，本章改進(jìn)SSD的方法，模型中加入雙注意力模塊的雙向特征金字塔，發(fā)現(xiàn)模型的準(zhǔn)確率是89.2%，召回率是69.6%。相對(duì)于SSD模型的88.5%和66.1%，準(zhǔn)確率上升了0.7%，召回率也上升了1.5%。本文方法和FSSD模型對(duì)比，準(zhǔn)確率上升了1.9%，召回率上升了2.2%。這表明本章改進(jìn)的方法能有效提升車輛行人目標(biāo)檢測的準(zhǔn)確率，通過改變特征融合的方式，本章改進(jìn)的方法的mAP平均精度達(dá)到了78.8%，檢測精度對(duì)比其他方法都提高了。與YOLOV3模型相比，本文方法準(zhǔn)確率也從88.1%提升到了89.2%了，由于使用了CIoU損失函數(shù)和引入了FocalLoss損失函數(shù)，檢測精度也明顯提高了，比YOLOV3提升了0.4個(gè)百分點(diǎn)。從速度上看，原SSD的速度為41幀每秒，本文的檢測速度達(dá)到了43幀每秒。通過本章改進(jìn)的雙注意力模塊的雙向特征金字塔特征融合方法有效的增強(qiáng)了特征的表達(dá)，證明了改進(jìn)方法在車輛行人檢測上的性能良好。（2）消融實(shí)驗(yàn)結(jié)果本章改進(jìn)的方法添加了雙注意力模塊的雙向特征金字塔特征融合策略，和改進(jìn)的損失函數(shù)，進(jìn)一步討論分析二者對(duì)車輛行人檢測的結(jié)果的影響。在KITTI數(shù)據(jù)集上進(jìn)行測試，將本章方法分為4組實(shí)驗(yàn)進(jìn)行。實(shí)驗(yàn)結(jié)果如表3-3所示。表3-3消融實(shí)驗(yàn)結(jié)果Table3-3Ablationtest