基于MEBA-OWOD算法的开放自动驾驶场景目标检测
王超1
苏树智1
朱彦敏2
徐阳1
1.安徽理工大学计算机科学与工程学院,安徽淮南 2320012.安徽理工大学机电工程学院,安徽淮南 232001
摘要：针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法.该算法首先构建了多尺度特征增强(multi-scale feature enhancement,MSFE)模块对提取的多尺度图像特征进行细致的筛选和强化,有助于识别和关注图像的重要和关键细节.然后,设计了边界感知冗余框过滤器(boundary aware redundant box filter,BARF),能够有效过滤已知对象重叠框和未知对象冗余框,减少了单个提议框包含不完整对象或密集对象的情况.在自动驾驶数据集道路场景(way scenes,Wayce)上的实验表明,与几种优秀的目标检测算法和开放世界目标检测算法相比,MEBA-OWOD算法在已知类平均精确率均值、未知类平均精确率指标上分别比次优的对比算法提高了 0.3％、49.6％.该算法能在不影响对已知目标检测的同时,加强对未知目标的检测,能够较好地应用于自动驾驶领域.
关键词：开放世界目标检测自动驾驶边界感知多尺度特征增强特征筛选冗余过滤
分类号：P315.69(大地（岩石界）物理学（固体地球物理学）)
资助基金：国家自然科学基金(52374155)国家自然科学基金(61806006)安徽省自然科学基金项目(2308085MF218)安徽省高等学校自然科学研究项目(2022AH040113)
论文发表日期：2024-12-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 514-520 )
英文信息