随着以深度学习核心技术的第三波人工智能技术发展的浪潮在近些年来的突破性进展和自动驾驶不断向商用化推进,对自动驾驶车辆的目标检测系统的要求也在不断提高。无人驾驶汽车的自动驾驶引擎要通过摄像头和激光雷达等传感器收集的环境信息做出控制决策。因此,自动驾驶场景下对目标检测的精度和实时性有非常高的要求,因为在此场景下高延迟会带来非常严重的后果。卷积神经网络在图像识别上的出色表现自然被引入到计算机视觉的目标检测任务当中。近年来目标检测算法的发展不断推陈出新,速度上越来越快,精度上越来越高。目标检测算法的发展可以总结为两条线:以R-CNN系列为代表的Two-Stage算法和以YOLO为开山之作的One-Stage算法。本文的主要工作是研究了自动驾驶领域的车辆目标检测算法,然后针对自动驾驶场景下以往的目标价测模型在效率上达不到落地应用要求的问题,提出了通过使用轻量化卷积神经网络优化目标检测算法的性能的解决方案。效率问题既体现在模型的存储问题,也体现在检测速度问题。本文的第一个工作是基于YOLOv3目标检测算法,使用轻量化卷积神经网络MobileNet V2对其骨干网络进行优化,本文重新设计了一个My
