基于半监督学习的自动驾驶场景下的目标检测

由于自动驾驶场景下拍摄的图像目标尺度变化剧烈和环境复杂多变,检测具有不小的难度；获取大量模型训练需要的标注数据图像存在困难,而获取大量未标注数据图像较容易.为了解决上述两个问题,提出一种基于半监督学习的自动驾驶场景下的目标检测模型TransDet.首先,在特征提取部分提出一个具有全局注意力的MSADark模块,以提取图像更多的全局信息以及捕获远程依赖关系；其次在特征融合部分提出一个位置注意力加权特征融合网络LAFFN,用于不同特征融合层捕获局部的位置和通道信息,增强多层次特征加权融合和网络特征表示能力,缓解目标尺度剧烈变化的影响；最后提出一种简单高效的半监督学习算法框架EODS,高效利用未标注数据的同时进一步提升了模型性能.实验结果表明：改进模型在保证实时性的情况下,mAP@50精度从55.1%提升到了61.6%,相比最新的YOLOv5模型精度增加了6.5%,在保证实时的检测速度的同时提升模型检测性能.特别是在仅使用少量未标注数据的情况下使用半监督学习算法EODS将mAP.50性能提升至65.4%,提升达到10.3%,表明了该模型在自动驾驶场景下的目标检测的有效性.