基于视觉特征引导的复杂环境下道路小目标检测

摘要

复杂场景下的环境感知对自动驾驶安全至关重要.为提升低光照雾天条件下车辆的感知能力，本文首先基于晴朗天气下的KITTI数据集，引入一种结合深度信息的大气散射模型，用于模拟生成真实的低光照雾天场景数据.随后，在YOLOv11(You only look once)框架中设计了多层通道融合模块MLCFM(Multi-layer channel fusion module)，通过对通道的分割与重组，增强了各层次特征的提取能力；接着利用语义重要性驱动的动态多尺度检测头，实现了更强的多尺度感知效果；最后，采用ATSS(Adaptive training sample selection)策略自适应地优化正负样本分配，以进一步提升小目标检测性能.在增强KITTI数据集上的实验结果表明，改进后网络在Car、Cyclist、Pedestrian三类目标上的检测精度分别提高了2.2个百分点、11.8个百分点和7.8个百分点，总体的mAP@0.5提升了7.3个百分点，并通过可视化分析与消融实验进一步验证了各模块在复杂环境下提升检测性能的有效性.

关键词

自动驾驶 / 环境感知 / 小目标检测 / 大气散射模型 / 雾天检测

基金资助

山东省重点研发计划(重大科技创新工程)项目(2023CXGC010111)