基于通用检测框架的交通场景多目标快速检测

交通场景感知 (TSP) 旨在实时提取准确的路面环境信息，包含三个阶段：感兴趣目标的检测、已检测目标的识别以及运动目标的跟踪。由于识别和跟踪通常依赖于检测结果，有效检测感兴趣目标的能力在 TSP 中起着至关重要的作用。本文聚焦于三类重要的目标：交通标志、汽车和骑行者。我们提出在单一的基于学习的检测框架中检测所有这三类重要目标。所提出的框架由一个密集特征提取器和三个重要类别的检测器组成。一旦提取出密集特征，这些特征即被所有检测器共享。使用通用框架的优势在于检测速度大幅提升，因为所有密集特征在测试阶段只需评估一次。相比之下，先前的大多数工作针对这些目标分别使用不同特征设计了特定的检测器。为了增强特征对噪声和图像变形的鲁棒性，我们引入了空间池化特征作为聚合通道特征的一部分。为了进一步提升泛化性能，我们提出了一种目标子分类方法，作为捕捉目标类内变化的一种手段。我们在三个检测应用：交通标志检测、汽车检测和骑行者检测中，实验验证了所提框架的有效性与高效性。所提出的框架在多个基准数据集上取得了与 SOTA 方法相当的性能。