快速入门自动驾驶中目标检测算法

 引：“目标检测算法在交通场景中应用综述”

1. 1、目标检测算法的分类

2、传统目标检测算法比较分析

3、深度学习目标检测算法比较分析

4、目标检测算法在非机动车检测中的应用

5、怎么样改进检测算法？？

6、建立目标的3D检测

7、多模态目标检测：采用不同传感器采集数据信息，融合信息检测识别目标

8、目标行人，行人重识别的检测算法

• 现在目标检测算法总结
  1. 目标检测算法在机动车和行人检测识别上应用较多，在非机动车上应用较少
  2. 对于目标检测模型增强特征表示和引入上下文信息的改进方法几乎对任何场景和任何任务都是有利的，具有普适性。
  3. 当交通场景中目标密集、相互遮挡时，改进非极大值抑制算法、合理设计边界框可以有效缓解目标漏检、误检等问题。
  4. 当交通场景相对复杂、背景多变时，损失函数的改进可以提升模型的训练效果，进而提高模型的鲁棒性
• 自动驾驶环境下的目标检测的缺点和改进趋势
  1. 研究更符合目标检测任务的特征提取网络：当前目标检测算法的特征提取网络主要为分类网络，分类与检测任务的网络设计原则不同，数据集间的差异也导致目标检测存在问题，因此需要从目标检测模型的本身出发，构建符合目标检测任务的特征提取网络，提高目标物体的检测性能。
  2. 获得更加丰富的图像语义信息。对于复杂交通场景的小目标检测，仅仅提取小目标的特征信息是不够的的，因此需要利用上下文关联信息，场景信息，语义信息构建丰富特征表示。目前，主流的方法主要有生成高清特征表示和利用语义信息，丰富特征表示是目标检测的关键，值得研究。
  3. 三维目标检测：实现三维目标检测是自动驾驶技术应用的关键，目前三维检测相较于二维算法在精度和实时性等关键指标方面还有较大的提升空间。对于三维目标检测必须有效对原始点云数据处理，提升检测的效率和精度。此外，如何解决遮挡、远距离的小目标检测也是亟需解决的关键问题。
  4. 多模态目标检测：数据融合是实现目标检测应用任务的重要趋势，尽管针对多模态目标检测的算法不断地被提出，但主要是基于图像，当光照变化幅度较大时，会导致相机记录失真、无法感知场景信息。因此，应该考虑利用多模态数据的互补性来提升模型的鲁棒性，例如融合图像、音频，文本信息等。
  5. 弱监督目标检测模型：目前，目标检测算法一般基于监督学习，监督学习需要大量已标注的数据。对于数据的标注需要大量的人工成本，因此利用弱监督学习，少样本学习等方法，在标注数据缺失情况下建立弱监督目标检测模型是研究的热点。
  6. 提高模型的可解释性：目标检测模型通过复杂的深层网络模型从海量数据中学习特征并进行分类与定位，这种模型内部的复杂性使人们难以理解模型的决策结果，导致模型的不可解释性。模型的不可解释性存在很多安全风险，在不同领域部署会受到极大的限制。因此需要深入研究模型内部的复杂过程，提高模型的可解释性，从而进一步实现模型应用。