通道特征蒸馏的复杂道路场景目标检测

摘要

针对复杂道路场景下小目标分布密集且目标遮挡严重的问题，提出了一种基于通道特征蒸馏的小目标检测方法。为解决小目标受分辨率限制和多尺度特征不平衡的问题，在Neck部分采用小卷积核，并且设计了通道注意力特征增强模块，消除多尺度特征图中的量纲影响，生成丰富连续的特征映射，增强特征的表达能力，显著提高小目标的检测性能。遮挡目标存在特征遗失和模式分裂等问题，故采用两阶段蒸馏策略：首先使用强Mosaic数据增强引导学生模型更好地提取被遮挡目标信息；随后在无Mosaic增强下，学生模型进行自我调整，提高对遮挡目标检测的鲁棒性。蒸馏过程中，在特征通道维度上进行Softmax归一化，将激活值转换为概率分布，通过最小化教师和学生通道概率分布之间的KL散度，使学生模型更关注前景区域，实现更细粒度的特征交互。实验结果表明，蒸馏后的RTMDet-m在KITTI数据集上的mAP值达到了73.2%,mAP50达到了93.8%,参数仅24.7 M,FLOPs为39.3 G,显著超越了YOLO系列和YOLOX系列，小目标平均精度相较原始模型提升了3%以上，满足复杂道路场景下车辆和行人的检测要求。

关键词

复杂道路场景 / 小目标 / 特征蒸馏 / 目标检测 / 两阶段蒸馏策略