融合深浅特征和动态选择机制的行人检测研究

针对无人驾驶场景下行人多尺度、小尺度造成漏检率升高，检测精度下降的问题，本文提出一种融合深浅层特征和级联动态选择机制的行人检测方法。首先，在YOLO v3-tiny的基础上基于密集连接的卷积神经网络改进特征提取部分，融合行人的深层特征和浅层特征加强网络对行人的识别能力；其次，在改进的主干网络上级联具有动态选择机制的注意力模块，使检测网络更加适应动态的行人尺度变化；最后，本文选择BDD 100K数据集和$\mathrm{C}\mathrm{a}\mathrm{l}\mathrm{t}\mathrm{e}\mathrm{c}\mathrm{h}$加州理工学院行人数据集进行实验，在保证实时性的前提下（25 ms/张），本文模型在BDD 100K数据集行人漏检率降低11.4%，平均检测精度提高11.7%，在Caltech行人漏检率降低10.1%，平均检测精度提高6.7%，适用于无人驾驶行人检测领域。