针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法...针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法。该算法首先构建了多尺度特征增强(multi-scale feature enhancement,MSFE)模块对提取的多尺度图像特征进行细致的筛选和强化,有助于识别和关注图像的重要和关键细节。然后,设计了边界感知冗余框过滤器(boundary aware redundant box filter,BARF),能够有效过滤已知对象重叠框和未知对象冗余框,减少了单个提议框包含不完整对象或密集对象的情况。在自动驾驶数据集道路场景(way scenes,Wayce)上的实验表明,与几种优秀的目标检测算法和开放世界目标检测算法相比,MEBA-OWOD算法在已知类平均精确率均值、未知类平均精确率指标上分别比次优的对比算法提高了0.3%、49.6%。该算法能在不影响对已知目标检测的同时,加强对未知目标的检测,能够较好地应用于自动驾驶领域。展开更多
文摘针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法。该算法首先构建了多尺度特征增强(multi-scale feature enhancement,MSFE)模块对提取的多尺度图像特征进行细致的筛选和强化,有助于识别和关注图像的重要和关键细节。然后,设计了边界感知冗余框过滤器(boundary aware redundant box filter,BARF),能够有效过滤已知对象重叠框和未知对象冗余框,减少了单个提议框包含不完整对象或密集对象的情况。在自动驾驶数据集道路场景(way scenes,Wayce)上的实验表明,与几种优秀的目标检测算法和开放世界目标检测算法相比,MEBA-OWOD算法在已知类平均精确率均值、未知类平均精确率指标上分别比次优的对比算法提高了0.3%、49.6%。该算法能在不影响对已知目标检测的同时,加强对未知目标的检测,能够较好地应用于自动驾驶领域。