孔雅潔，張 葉

（1. 中國科學(xué)院 長春光學(xué)精密機械與物理研究所 應(yīng)用光學(xué)國家重點實驗室，吉林 長春 130033；2. 中國科學(xué)院大學(xué)，北京 100049）

1 引 言

隨著科技不斷進步和社會快速發(fā)展，居民生活水平逐漸提高，汽車成為家庭出行的重要交通工具。政府報告資料顯示，2016～2020 年間，中國汽車年銷量均在2 500 萬輛以上，全國地區(qū)汽車保有量也高達2.5 億輛［1］。汽車的普及給人民生活帶來極大便利的同時，也給道路交通運輸帶來巨大壓力，不僅導(dǎo)致交通擁堵，而且增大事故隱患。因此，輔助駕駛、自動駕駛等智能系統(tǒng)的研究應(yīng)用得到政府、企業(yè)、研究機構(gòu)的廣泛關(guān)注。駕駛員借助智能駕駛系統(tǒng)，可以及時發(fā)現(xiàn)行車危險，有效提升駕駛安全性，降低交通事故發(fā)生的幾率。在各類智能駕駛系統(tǒng)中，感知環(huán)境是第一步，如何快速精準(zhǔn)地感知、檢測、測量行車過程中出現(xiàn)的各類目標(biāo)，一直是研究的熱點。車載攝像頭的拍攝可以獲取大量行車圖像，而圖像數(shù)據(jù)具有采集成本低、信息豐富等特點，可以提取諸多有用的環(huán)境信息以指導(dǎo)駕駛，比如識別前方車輛、行人等。

目標(biāo)檢測作為視覺感知識別的重要任務(wù)之一，吸引了許多研究人員的注意，大量的檢測算法得到研究和應(yīng)用。傳統(tǒng)的目標(biāo)檢測通過人工提取圖像區(qū)域特征，并用預(yù)先設(shè)定的分類器對其進行分類來達到檢測的目的。特征描述準(zhǔn)確度對于檢測結(jié)果影響很大，而且結(jié)合多個低級圖像特征設(shè)計的復(fù)雜的分類器難以獲得很好的性能。隨著深度學(xué)習(xí)的快速發(fā)展，算法模型可以自動學(xué)習(xí)語義，提取圖像的深層特征，檢測速度和效果都得到很大的提高，已成為目標(biāo)檢測領(lǐng)域的主流方法?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法主要分為兩類：一類是基于區(qū)域選取的二階段目標(biāo)檢測，算法被分為兩步，首先從圖像中生成最有可能包含目標(biāo)的子區(qū)域，然后對子區(qū)域做圖像分類并生成最終的物體邊框；另一類是基于回歸的一階段目標(biāo)檢測，可以直接對物體進行分類，生成類別概率和位置坐標(biāo)。一階段算法基于卷積特征圖同時計算邊界框回歸和目標(biāo)分類問題，避免了計算成本很高的子區(qū)域生成過程，因此，相較于二階段算法，一階段算法具有檢測速度快的優(yōu)勢，更適用于輔助駕駛、自動駕駛等對檢測速度要求高的應(yīng)用場景。一階段算法的典型代表是YOLO 系列算法。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）作為計算機視覺（Computer Vision，CV）領(lǐng)域的主流深度學(xué)習(xí)模型，取得了很好的效果。在圖像問題中，卷積計算具有平移等價性、局部性等天然優(yōu)勢，但也存在感受野固定且有限這一缺陷，通常需要堆疊卷積層來獲取更大的感受 野。近 兩 年 來，Transformer［2］開 始 在 計 算 機 視覺領(lǐng)域大放異彩，被廣泛應(yīng)用于圖像分類、目標(biāo)檢測、語義分割以及圖像生成等任務(wù)當(dāng)中，其核心自注意力（Self-attention）機制通過在輸入向量之間相互執(zhí)行注意力操作來提取特征，可以獲得全局特征關(guān)系，通過全局范圍的依賴關(guān)系來抑制無關(guān)信息、突出有用區(qū)域，以提高檢測的準(zhǔn)確性，有效彌補了卷積感受野固定的缺陷。

因此，針對輔助駕駛系統(tǒng)中車輛、行人的目標(biāo)檢測任務(wù)，本文在YOLOv3 算法模型的基礎(chǔ)之上，引入自注意力機制，并對加入的模塊進行高斯掩碼優(yōu)化，提出了YOLOv3-GMSA 目標(biāo)檢測方法。此外，為了對方法進行評估驗證，我們在MS COCO 2017 數(shù) 據(jù) 集 上 對YOLOv3-GMSA 方法進行了訓(xùn)練和評估，結(jié)果表明該方法在保證檢測速度的同時有效提高了檢測效果。

2 相關(guān)工作

2.1 目標(biāo)檢測

目標(biāo)檢測是CV 領(lǐng)域的一個重要研究方向，其任務(wù)是在圖像或視頻中找出感興趣的物體，同時檢測出它們的位置和大小。不同于圖像分類任務(wù)，目標(biāo)檢測不僅要解決分類問題，還需要解決定位問題。傳統(tǒng)的目標(biāo)檢測主要關(guān)注圖像處理、特征提取算法，但是基于手工提取的特征無法適應(yīng)復(fù)雜多變的現(xiàn)實場景，準(zhǔn)確率不高。直到2012 年，CNN 的興起將目標(biāo)檢測相關(guān)研究推向了新的臺階。

2.1.1 二階段目標(biāo)檢測算法

二階段算法將目標(biāo)檢測過程劃分為兩個步驟，首先根據(jù)算法產(chǎn)生一系列候選框，然后根據(jù)深度神經(jīng)網(wǎng)絡(luò)對候選框進行分類和回歸。最具代表性二階段目標(biāo)檢測算法是R-CNN［3］，通過選擇性搜索算法從一組候選框中選擇可能出現(xiàn)的對象框，然后將對象框中的圖像處理后送入CNN提取特征，最后將提取的特征送入分類器進行預(yù)測。R-CNN 在VOC-07 數(shù)據(jù)集上取得了質(zhì)的飛躍，平均精度由傳統(tǒng)算法的33.7% 提高到58.5%。針對R-CNN 訓(xùn)練流程復(fù)雜、存儲空間占用大等不足，Girshick 等提出具有ROI 池化層并且利用Softmax 和線性回歸同時返回分類結(jié)果和邊界框的Fast R-CNN［4］，該網(wǎng)絡(luò)在VOC-07 數(shù)據(jù)集上將檢測精度提高到70.0%，檢測速度也得到了很大的提高。由于選擇性搜索算法尋找感興趣區(qū)域運算速度慢，Ren 等提出了Faster RCNN［5］模型，創(chuàng)造性地采用卷積網(wǎng)絡(luò)產(chǎn)生候選框，極大提升了候選檢測框的生成速度。2017 年，Lin 等［6］在Faster R-CNN 的基礎(chǔ)上進一步提出特征金字塔網(wǎng)絡(luò)（Feature Pyramid Networks，F(xiàn)PN）結(jié)構(gòu)，有效解決了深層特征圖缺乏空間信息影響定位精度的問題?？偟膩碚f，二階段目標(biāo)檢測器可以達到與人類相當(dāng)甚至更好的精度性能，但是大量的計算阻礙了其在實時系統(tǒng)中的應(yīng)用。

2.1.2 一階段目標(biāo)檢測算法

一階段算法不需要產(chǎn)生候選框，直接將目標(biāo)框定位問題轉(zhuǎn)化為回歸問題處理，僅使用一個CNN 網(wǎng)絡(luò)就可以預(yù)測不同目標(biāo)的類別概率和邊界框，因此具有更快的檢測速度。YOLO［7］作為第一個一階段目標(biāo)檢測算法，將圖像分割為S×S個網(wǎng)格，然后為每個網(wǎng)格預(yù)測邊界框并同時給出類別概率，在VOC-07 數(shù)據(jù)集上實現(xiàn)了155 FPS的實時性能，但同時也存在檢測精度相對較低的缺點。針對YOLO 小目標(biāo)檢測精度偏低的問題，Liu 等［8］提出了采用先驗框和多尺度特征圖結(jié)合的SSD 多框預(yù)測算法，不同的分支可以檢測不同尺度的目標(biāo)。隨后，YOLOv2［9］通過引入新的特征提取網(wǎng)絡(luò)Darknet-19、批歸一化、卷積加先驗框預(yù)測和多尺度訓(xùn)練等多種改進策略，有效解決YOLO 檢測精度不足的問題。YOLOv3［10-12］則借鑒各類研究成果進一步優(yōu)化網(wǎng)絡(luò)，采用了先進的Darknet-53 殘差網(wǎng)絡(luò)和多分支檢測結(jié)構(gòu)，可以有效檢測不同尺寸的對象?？偟膩碚f，一階段目標(biāo)檢測器具有很快的運行速度，能夠滿足實時系統(tǒng)的要求，但預(yù)測精度相對二階段算法較低。

2.2 Transformer 與自注意力機制

2017 年，Google 團隊在自然語言處理（Natural language processing，NLP）領(lǐng)域提出了經(jīng)典算法Transformer，該模型拋棄了傳統(tǒng)的CNN、RNN，網(wǎng)絡(luò)結(jié)構(gòu)由自注意力機制組成，不僅可以并行化訓(xùn)練，而且能夠包含全局信息，基于Transformer 的BERT［13］詞向量生成模型在NLP的11 項測試中取得了最佳成績。Transformer 在NLP 中取得的耀眼成績引起了AI 研究人員的濃厚興趣，許多相關(guān)應(yīng)用也出現(xiàn)在CV 領(lǐng)域中，并取得了很好的效果。

受Transformer 中的自注意力機制啟發(fā)，Wang 等［14］提出了Non-local 神經(jīng)網(wǎng)絡(luò)，利用全局圖像之間的依賴關(guān)系為特征進行加權(quán)。盡管自注意力機制能夠捕捉圖像的全局信息，但是需要占用較多的顯卡資源，因此Huang 等［15］提出了交叉注意力模塊，僅在縱橫交錯的路徑上執(zhí)行注意力操作，有效限制了對存儲和計算資源的占用。Yi 等通過對空間特征關(guān)系進行建模提出了ASSD［16］檢測器，對全局特征信息進行可靠引導(dǎo)，在精度上實現(xiàn)了很大的提升，但是這些方法都忽略了局部信息的重要影響，在檢測精度上仍無法取得滿意效果。ViT［17］是第一個在大規(guī)模視覺數(shù)據(jù)集上完全用Transformer 取代標(biāo)準(zhǔn)卷積操作的深度學(xué)習(xí)模型，其將圖像劃分成固定大小的塊，通過線性變換得到塊向量，隨后送入Transformer 進行特征提取并分類，模型在大規(guī)模數(shù)據(jù)集上做預(yù)訓(xùn)練隨后在目標(biāo)數(shù)據(jù)集進行微調(diào)，在ImageNet 數(shù)據(jù)集上可以得到CNN 方法相當(dāng)?shù)某煽?，而且隨著數(shù)據(jù)集的擴大，ViT 將發(fā)揮更大的優(yōu)勢。Facebook AI 團隊首次將Transformer 應(yīng)用到目標(biāo)檢測任務(wù)，提出了DERT［18］模型，取代了現(xiàn)有模型中需要手工設(shè)計的工作，如非極大值抑制和錨框生成等，在準(zhǔn)確率和運行時間上能夠取得與Faster R-CNN 相當(dāng)?shù)某煽儭?/p>

總的來說，自注意力機制可以有效捕獲圖像的全局特征關(guān)系，彌補CNN 感受野受限的不足，設(shè)計過程中也需要注意顯卡資源占用情況，同時還需要考慮全局特征和局部特征進行融合時的權(quán)重。

3 引入GSMA 模塊的模型設(shè)計

YOLOv3 是對YOLO、YOLOv2 進一步優(yōu)化后提出的一階段目標(biāo)檢測深度學(xué)習(xí)模型，只需要一次端到端計算就可以得到目標(biāo)的類別概率和邊界框，具有運算速度快的特點，適用于實時場景下的目標(biāo)檢測任務(wù)?？紤]到隨著特征層的增加，圖像的上下文信息和全局關(guān)系會逐漸減少，影響了模型的檢測精度，因此，本文在YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)中引入自注意力機制，并在自注意力模塊中加入高斯掩碼操作，使模型在捕獲全局特征關(guān)系的同時仍然重視局部特征的影響，以取得更好的檢測效果。

3.1 網(wǎng)絡(luò)模型

YOLOv3 的模型架構(gòu)主要分為兩個部分：Darknet-53 和多分支預(yù)測網(wǎng)絡(luò)。相比于YOLOv2 的Darknet-19，模型采用了具有殘差單元的Darknet-53 特征提取網(wǎng)絡(luò)，構(gòu)建的網(wǎng)絡(luò)層次更深。另外，為了使多種尺度下的目標(biāo)都具有較好的檢測效果，模型采用具有FPN 架構(gòu)的多分支檢測結(jié)構(gòu)，采用3 個尺度的特征圖分別對大、中、小3 類目標(biāo)進行檢測。

3.1.1 Darknet-53 與多分支預(yù)測網(wǎng)絡(luò)

為了達到更好的分類效果，YOLOv3 的作者借鑒殘差網(wǎng)絡(luò)的思想，設(shè)計了Darknet-53 特征提取網(wǎng)絡(luò)。Darknet-53 網(wǎng)絡(luò)是一個全卷積網(wǎng)絡(luò)，包含23 層殘差單元（Residual Unit），具有非常多的殘差跳層連接，其結(jié)構(gòu)見圖1，左上是網(wǎng)絡(luò)的結(jié)構(gòu)，下方的虛線框展示了各模塊的具體結(jié)構(gòu)，模塊中的數(shù)字表示其重復(fù)的次數(shù)。為了緩解池化操作帶來的梯度負面效果，網(wǎng)絡(luò)用卷積層替代池化層，通過調(diào)整卷積的步長為2 實現(xiàn)降采樣。

圖1 YOLOv3-GMSA 網(wǎng)絡(luò)模型架構(gòu)Fig.1 Architecture of YOLOv3-GMSA network

多分支預(yù)測網(wǎng)絡(luò)構(gòu)建3 個預(yù)測分支，其結(jié)構(gòu)如圖2 所示。當(dāng)輸入圖片大小為640×640 時，3 個尺度的特征圖大小見表1，縮小的倍數(shù)分別為32，16，8。特征圖尺寸越小，聚合的信息范圍就越大，對大目標(biāo)檢測越有利；反之，特征圖尺寸越大，保留的局部細節(jié)信息就越多，對小目標(biāo)檢測越有用。為了在大尺寸特征圖中保留小尺寸特征圖包含的更高層語義信息，F(xiàn)PN 結(jié)構(gòu)采用了上采樣和融合的做法，將較小尺寸特征圖上采樣至較大尺寸，然后與較大尺寸特征圖進行拼接融合。

表1 圖片大小為640×640 時特征圖尺寸和先驗框尺寸Tab.1 Feature map size and prior frame size with picture size of 640×640

圖2 特征金字塔結(jié)構(gòu)的多尺度特征融合Fig.2 Multi-scale feature fusion of feature pyramid network

3.1.2 邊界框預(yù)測

不同于二階段算法需要生成候選框，YOLO系列算法將圖像分割為S×S個網(wǎng)格，劃分的網(wǎng)格對應(yīng)特征圖的尺寸。在各檢測分支中，YOLOv3 對目標(biāo)采用了K-means 聚類，每個分支設(shè)置3 個先驗框，先驗框尺寸如表1 所示。模型采用全卷積的網(wǎng)絡(luò)結(jié)構(gòu)，最后一層卷積輸出的卷積核個數(shù)是3×(N+4+1)，對應(yīng)3 個預(yù)測邊界框，每個預(yù)測邊界框包含N個類別概率、4 個邊界框位置信息和1 個邊界框的置信率。針對MS COCO 數(shù)據(jù)集的80 個類別，最后一層卷積的卷積核個數(shù)是255。

不同于YOLO 采用Softmax 計算類別概率并用最大概率的標(biāo)簽表示邊界框內(nèi)的目標(biāo)，YOLOv3 可以實現(xiàn)對檢測目標(biāo)的多標(biāo)簽分類，方法是對先驗框中的圖像采用二元邏輯回歸（Logistic Regression），在每一類別上計算是該類別的概率，并設(shè)定閾值對多標(biāo)簽進行預(yù)測。

3.2 高斯掩碼自注意力模塊

為了增強模型對全局特征關(guān)系的捕捉能力，本文引入Transformer 的自注意力機制，在多分支檢測網(wǎng)絡(luò)的出口附近嵌入高斯掩碼自注意力模塊，如圖1 所示。該模塊分別對大、中、小3 種尺寸的特征圖進行自注意力操作，讓特征圖中包含更多的大范圍信息，提高算法的檢測精度。

3.2.1 自注意力機制

注意力（Attention）機制［19］最早由Bengio 等在2014 年提出，其思想就是將有限的注意力集中到重點信息上。在Transformer 中，進出自注意力結(jié)構(gòu)的輸入和輸出都是一個向量序列，每個向量都表示一個項，將輸入序列對自身進行注意力操作，根據(jù)完整的輸入序列來聚合全局信息以更新序列的每一個項，可以從全局范圍對各項之間的相關(guān)性進行建模，例如在自然語言處理中可以評估哪幾個詞更可能組成一個句子。

圖3（a）展示了自注意力基本塊的運算結(jié)構(gòu)。對 于 包 含n個 項 的 序 列(x1，x2，…，xn)，用X∈Rn×d表示，其中d是每個項的向量長度。自注意力的目標(biāo)是通過全局上下文對每個項進行編碼來捕獲n個項的相互關(guān)系，其方式是定義3 個可學(xué)習(xí)的權(quán)重矩陣WK、WQ、WV將X轉(zhuǎn)換為查詢Q=XWQ、鍵K=XWK以 及 值V=XWV。自注意力模塊的輸出由公式（1）給出：

圖3 自注意力計算結(jié)構(gòu)示意圖Fig.3 Structure of self-attention

對于每一個項，自注意力模塊將其查詢向量與全部項的鍵向量做內(nèi)積，然后用Softmax 激活函數(shù)做歸一化得到注意力得分，基于注意力得分可以用全部項對每一項進行加權(quán)求和得到新的輸出。

一個標(biāo)準(zhǔn)的注意力模塊會對所有項進行注意力操作，但是對于圖像數(shù)據(jù)而言，局部特征關(guān)系的重要性大于全局特征關(guān)系，因此，本文對獲取的注意力得分進行高斯掩碼計算，增加局部信息的比重，削減全局信息的比重。二維高斯分布計算公式如式（2）所示：

其中參數(shù)ρ、σ1、σ2是可學(xué)習(xí)參數(shù)，根據(jù)全部項相對某一項的距離計算得到高斯分布的掩碼向量，然后與該項的注意力得分向量計算哈達瑪積，歸一化后得到新的注意力得分。

為了對序列內(nèi)各項之間的復(fù)雜關(guān)系進行建模，Transformer 采用了具有多個自注意力基本塊的多頭自注意力（Multi-head Self-attention）機制，其結(jié)構(gòu)如圖3（b）中所示。每一個基本塊擁有 自 己 的 權(quán) 重 矩 陣{WQi，WKi，WVi}，其 中i=0，1，…，h-1，h是包含基本塊的個數(shù)。將輸出[Z0，Z1，…，Zh-1]∈Rn×h·dv拼 接 后 與 權(quán) 重 矩 陣W∈Rh·dv×d做內(nèi)積即可得到最終的輸出。

3.2.2 位置嵌入

與卷積神經(jīng)網(wǎng)絡(luò)不同，自注意力模塊需要將輸入的二維特征圖轉(zhuǎn)換為一維序列處理，具有排序無關(guān)的特性，因此丟失了每一個特征塊的位置信息。在缺失位置信息的情況下對特征塊之間的語義進行學(xué)習(xí)將會增大學(xué)習(xí)成本，所以需要提供位置嵌入（Position Embedding），即特征塊的位置編碼，編碼公式如式（3）所示：

3.2.3 GMSA 模塊結(jié)構(gòu)

加入YOLOv3 網(wǎng)絡(luò)模型的高斯掩碼自注意力模塊結(jié)構(gòu)如圖4 所示。該模塊輸入與輸出均為batchsize×channel×width×height 的 四 維 張量，在進行注意力操作之前，首先將二維特征圖轉(zhuǎn)換為一維序列，然后計算其位置嵌入向量并相加。對嵌入位置信息的序列執(zhí)行帶有高斯掩碼的多頭自注意力操作，獲得帶有全局信息的序列，將該序列與嵌入位置信息的序列相加并歸一化后得到輸出序列，最后進行維度調(diào)整即可得到輸出特征圖。

圖4 GMSA 模塊結(jié)構(gòu)Fig.4 Structure of GMSA module

4 實驗結(jié)果及分析

為了評估改進的YOLOv3-GMSA 目標(biāo)檢測模型相關(guān)性能，本文在公開數(shù)據(jù)集上進行了一系列實驗，并對YOLOv3 和改進后的YOLOv3-GMSA 進行了對比，相關(guān)內(nèi)容介紹如下。

4.1 訓(xùn)練環(huán)境及相關(guān)參數(shù)

訓(xùn)練算法模型使用MS COCO 2017 數(shù)據(jù)集。該數(shù)據(jù)集由微軟公司制作收集，用于目標(biāo)檢測、分割、圖像描述等任務(wù)，包含目標(biāo)檢測、關(guān)鍵點檢測、實例分割、全景分割和圖像描述等5 種標(biāo)注類型，本文采用目標(biāo)檢測標(biāo)注對模型進行訓(xùn)練。該公開數(shù)據(jù)集包含80 個類別，官方共劃分成3 個部分，其中訓(xùn)練數(shù)據(jù)集包含11.8 萬多張圖片，存儲空間占用18 GB；訓(xùn)練驗證數(shù)據(jù)集包含5 千張圖片，存儲空間占用1 GB；模型測試數(shù)據(jù)集包含4 萬多張圖片，存儲空間占用6 GB。模型訓(xùn)練過程中，圖片尺寸為640×640。訓(xùn)練環(huán)境的配置如表2 所示，算法模型采用PyTorch 框架搭建，底層通過CUDA 接口使用顯卡資源進行加速。

表2 訓(xùn)練環(huán)境配置Tab.2 Training environment

訓(xùn)練相關(guān)參數(shù)如表3 所示，其中批處理大小、迭代次數(shù)等參數(shù)在官方參考數(shù)值之上結(jié)合硬件條件及訓(xùn)練情況進行了適當(dāng)調(diào)整，訓(xùn)練的優(yōu)化算法采用Adam。

表3 訓(xùn)練參數(shù)Tab.3 Training parameters

4.2 實驗結(jié)果對比分析

本文在MS COCO 2017 數(shù)據(jù)集上，基于Py-Torch 框架在Ubuntu 18.04 系統(tǒng)和NVIDIA TITAN Xp 顯卡之上對改進后的YOLOv3-GMSA算法進行了訓(xùn)練。經(jīng)過100 輪訓(xùn)練之后，使用模型測試數(shù)據(jù)集對算法性能進行評估，模型的性能對比如表4 所示。

表4 算法模型性能對比Tab.4 Performance evaluation

從表中可以看出，改進后模型YOLOv3-GMSA 訓(xùn)練的結(jié)果mAP@0.5 達到56.88%，精度達到65.31%，召回率達到53.18%。與YOLOv3 相比，mAP@0.5 提高了2.56%，精度提高了3.53%，召回率提高了1.22%，目標(biāo)檢測的效果顯著提高。模型的檢測效果相比于二階段檢測算法Faster R-CNN 略有不足，但在檢測速度方面具有較大的優(yōu)勢。人眼自然幀率是24 FPS，車載視覺傳感器常見幀率一般不低于該數(shù)值，實際場景中顯卡等硬件資源受限，處理速度將進一步下降，二階段算法難以滿足實時性要求。相比于SSD、ASSD 等目標(biāo)檢測算法，改進后模型的檢測效果更好，檢測速度更快。由于嵌入了高斯掩碼自注意力模塊，模型復(fù)雜度增加，參數(shù)增多，檢測速度有所下降。改進后的模型檢測處理速度達到39.38 FPS，相比于YOLOv3 下降3.88，但仍滿足實時檢測的要求。通過以上數(shù)據(jù)分析可以得出，在YOLOv3 網(wǎng)絡(luò)深層插入高斯掩碼自注意力模塊以加強網(wǎng)絡(luò)模型對全局特征關(guān)系的捕捉能力，使特征圖包含更多的全局信息，更有意義，可以有效提高目標(biāo)檢測的效果。

為了更好地觀察YOLOv3-GMSA 改進算法的訓(xùn)練情況，圖5 記錄了其訓(xùn)練過程中mAP@0.5、mAP@0.5∶0.95、精度以及召回率的趨勢曲線?？梢钥吹絤AP@0.5、mAP@0.5∶0.95 始終呈上升趨勢，在40 輪左右逐漸收斂，精度和召回率則在上下波動中整體呈上升趨勢，且精度和召回率的波動趨勢相反，這是精度和召回率本身存在一定矛盾所致。

圖5 YOLOv3-GMSA 模型訓(xùn)練關(guān)鍵參數(shù)曲線Fig.5 Training curve of pivotal parameters in YOLOv3-GMSA

為了更直觀地感受改進后算法的檢測效果，圖6 通過對3 張實際行車環(huán)境中拍攝得到的照片進行檢測，對比了YOLOv3 和改進后的YOLOv3-GMSA 算法檢測效果，檢測時置信度閾值設(shè)置為0.25。圖中第一列是原圖，第二列是YOLOv3 的檢測結(jié)果，第三列是YOLOv3-GMSA 的檢測結(jié)果。從第一行圖中可以看出，YOLOv3 和改進算法均具有良好的檢測效果，能夠?qū)︸R路上的行人進行檢測定位，相比于YOLOv3，改進后算法具有更高的置信度；第二行圖中，YOLOv3 出現(xiàn)明顯的識別錯誤，將巴士的后視鏡識別為人，置信度達到0.36，而改進后的算法能夠有效捕捉全局信息，融入全局特征關(guān)系，沒有出現(xiàn)類似的誤識別情況；第三行圖中，YOLOv3 沒有識別出汽車駕駛員以及車后騎自行車的行人，改進后算法則有效標(biāo)定了這兩塊地方，置信度達到0.26。

圖6 檢測結(jié)果對比Fig.6 Comparison of detection results

總而言之，YOLOv3-GMSA 改進算法通過引入自注意力機制，增強了模型對全局特征關(guān)系的捕捉能力，在犧牲一定檢測速度的前提下，可以有效提高目標(biāo)檢測的效果。

5 結(jié) 論

針對輔助駕駛的目標(biāo)檢測場景，受計算機視覺領(lǐng)域的Transformer 應(yīng)用啟發(fā)，本文在一階段目標(biāo)檢測算法YOLOv3 的基礎(chǔ)之上，嵌入了高斯掩碼自注意力模塊，加強網(wǎng)絡(luò)模型對全局特征關(guān)系的捕捉能力，以提高檢測精度。在公開數(shù)據(jù)集MS COCO 2017 上訓(xùn)練后的實驗結(jié)果表明，改進后的模型將mAP@0.5 提高了2.56%，雖然在檢測速度上略有損失，但仍能滿足實時性需求。該方法為輔助駕駛系統(tǒng)中的目標(biāo)檢測提供了一種新的優(yōu)化方案，而且通過調(diào)整自注意力模塊的設(shè)計，可以在檢測精度和檢測速度之間進行有效權(quán)衡，以適應(yīng)不同場景下的檢測要求。