基于RetinaNet及優(yōu)化損失函數(shù)的夜間車輛檢測(cè)方法*

張炳力，秦浩然，江 尚，鄭杰禹，吳正海

（1.合肥工業(yè)大學(xué)汽車與交通工程學(xué)院，合肥230041；2.安徽省智能汽車工程實(shí)驗(yàn)室，合肥230009；3.浙江百康光學(xué)股份有限公司，嘉興314113）

前言

在汽車自動(dòng)駕駛系統(tǒng)和高級(jí)輔助駕駛系統(tǒng)（advanced driving assistance system，ADAS）中，車輛檢測(cè)準(zhǔn)確性直接影響行車安全。在夜間環(huán)境中，道路及前方車輛的可視性變差，駕駛員在缺乏路面信息、視野變差以及視力疲勞的情況下，極易引發(fā)交通事故。同時(shí)，多數(shù)目標(biāo)檢測(cè)算法易受路燈和反光等光源的干擾而產(chǎn)生誤判［1］，嚴(yán)重影響了自動(dòng)駕駛系統(tǒng)和ADAS的安全性。因此，研究高精度夜間車輛檢測(cè)算法尤為重要。

基于傳統(tǒng)圖像處理的夜間車輛檢測(cè)算法通常利用夜間環(huán)境中較為明顯的燈光特征，其主要流程包括提取候選區(qū)域、分類和燈光配對(duì)3個(gè)部分。首先使用閾值分割、連通域分析等方法得到候選區(qū)域，然后利用車燈的空間位置、高寬比、形狀等信息選取出燈光，最后利用對(duì)稱性對(duì)燈光進(jìn)行配對(duì)，將配對(duì)成功的燈光對(duì)視為車輛并輸出［2-6］。部分研究在分類過程運(yùn)用Adaboost［7-9］或支持向量機(jī)［10］等機(jī)器學(xué)習(xí)算法，但仍需依賴燈光進(jìn)行檢測(cè)。上述算法中均忽略了車輛的其他特征，致使其極易受到路燈、反光及其他光源的干擾，算法魯棒性較差，難以應(yīng)用于智能駕駛系統(tǒng)。

隨著深度學(xué)習(xí)的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)技術(shù)在準(zhǔn)確性上比傳統(tǒng)方法有極大的提高。以Faster R-CNN為代表的兩階段算法［11-13］專注提高檢測(cè)精度，但檢測(cè)速度極低，無法達(dá)到實(shí)時(shí)，YOLO系列算法［14-16］和SSD［17］等單階段算法則追求實(shí)時(shí)的檢測(cè)速度，而檢測(cè)精度不足，不能直接應(yīng)用于智能駕駛系統(tǒng)。

RetinaNet［18］對(duì)經(jīng)典特征提取網(wǎng)絡(luò)ResNet［19］進(jìn)行改進(jìn)，引入了圖像特征金字塔，將高低分辨率的特征層相融合，提高了網(wǎng)絡(luò)學(xué)習(xí)特征的能力，并引入Focal loss解決了正負(fù)樣本不均衡的問題，使單層檢測(cè)網(wǎng)絡(luò)在保證檢測(cè)速度優(yōu)勢(shì)的同時(shí)，在檢測(cè)精度上超過Faster-RCNN、R-FCN等兩階段檢測(cè)網(wǎng)絡(luò)。然而，在RetinaNet損失函數(shù)的設(shè)計(jì)上，仍存在以下兩個(gè)問題：（1）沒有充分利用分類與定位之間的聯(lián)系，造成定位更準(zhǔn)的檢測(cè)框有可能獲得較低的分?jǐn)?shù)，從而被NMS過程抑制，導(dǎo)致檢測(cè)精度下降；（2）定位損失的歸一化過程中導(dǎo)致了小目標(biāo)產(chǎn)生的損失與大目標(biāo)相比較小，影響了對(duì)于遠(yuǎn)處小目標(biāo)車輛檢測(cè)精度。對(duì)于問題（1），部分研究通過添加交并比（intersection over union，IoU）預(yù)測(cè)子網(wǎng)絡(luò)［20］或使用基于IoU的標(biāo)簽［21］來利用正樣本IoU信息提高分類與定位的關(guān)聯(lián)性，但均沒有研究如何利用負(fù)樣本IoU信息。

為解決上述問題，本文中進(jìn)一步優(yōu)化了RetinaNet的損失函數(shù)：

（1）提出了基于IoU的分類損失函數(shù)，將其定義為IoU系數(shù)與交叉熵的乘積，建立了分類與定位子網(wǎng)絡(luò)的相關(guān)性，利用正樣本IoU提高檢測(cè)框定位精度，利用負(fù)樣本IoU加強(qiáng)網(wǎng)絡(luò)對(duì)于難分類負(fù)樣本的學(xué)習(xí)；

（2）改進(jìn)了定位損失函數(shù)對(duì)高寬進(jìn)行歸一化的方式，降低訓(xùn)練對(duì)目標(biāo)尺度的敏感性。此外，根據(jù)應(yīng)用場(chǎng)景中車輛目標(biāo)的特點(diǎn)，對(duì)網(wǎng)絡(luò)的特征層和預(yù)設(shè)框進(jìn)行了優(yōu)化設(shè)計(jì)，同時(shí)簡化分類和定位子網(wǎng)絡(luò)，進(jìn)一步提高了網(wǎng)絡(luò)的精度和速度。最后，在夜間車輛數(shù)據(jù)集上進(jìn)行了試驗(yàn)驗(yàn)證。

1 RetinaNet損失函數(shù)分析

RetinaNet的作者提出了Focal loss，其通過兩個(gè)可調(diào)參數(shù)修正樣本的分類損失，使網(wǎng)絡(luò)能夠充分利用所有正負(fù)樣本，有效解決了訓(xùn)練過程中的正負(fù)樣本不均衡問題。同時(shí)，根據(jù)樣本檢測(cè)的難易程度對(duì)其損失進(jìn)行衰減，促使了網(wǎng)絡(luò)在訓(xùn)練過程中可以更集中于學(xué)習(xí)相對(duì)困難的樣本。其損失函數(shù)由分類損失與定位損失兩部分組成：

式中：N為正樣本個(gè)數(shù)；p與?分別為預(yù)測(cè)框的分類概率與相對(duì)于預(yù)設(shè)框的定位偏移；c和g分別代表目標(biāo)框的類別標(biāo)簽與位置信息；λ為兩類損失的權(quán)重比。

對(duì)于單個(gè)預(yù)設(shè)框，采用Focal loss后其分類損失可表示為式（2），其中為對(duì)應(yīng)目標(biāo)框種類的預(yù)測(cè)概率，γ為可調(diào)節(jié)的超參數(shù)。

單個(gè)預(yù)設(shè)框的定位損失為Smooth L1損失［22］，如式（3）所示。包括了中心點(diǎn)損失和高寬損失，并使用預(yù)設(shè)框的高寬進(jìn)行了歸一化。

1.1 分類與定位關(guān)聯(lián)性分析

由損失函數(shù)的定義可知，分類與定位兩個(gè)子網(wǎng)絡(luò)的訓(xùn)練通過相互獨(dú)立的損失函數(shù)進(jìn)行。分類分?jǐn)?shù)僅由分類子網(wǎng)絡(luò)決定，不考慮其定位精度，而定位精度則由檢測(cè)框與目標(biāo)框的IoU表示，致使最終所得分類分?jǐn)?shù)與定位精度IoU相關(guān)性較弱。如圖1所示，在損失函數(shù)的設(shè)計(jì)上忽略分類分?jǐn)?shù)與定位的聯(lián)系，則有可能導(dǎo)致與目標(biāo)框IoU較大的預(yù)測(cè)框A1的分?jǐn)?shù)低于IoU較小的預(yù)測(cè)框B2，則在非極大抑制（non maximum suppression，NMS）環(huán)節(jié)中，A1會(huì)被B2所抑制，最終輸出定位精度較低的預(yù)測(cè)框B2。部分研究［20-21］利用正樣本的IoU信息，將體現(xiàn)定位精度的IoU信息與預(yù)測(cè)正樣本的類別分?jǐn)?shù)聯(lián)系起來，保證具有較高定位精度的檢測(cè)框可得到更高的分類分?jǐn)?shù)，從而被NMS過程選擇成為最終的輸出框。

圖1 分類與定位相互獨(dú)立可能導(dǎo)致的誤檢

然而，現(xiàn)有的研究僅考慮了正樣本的IoU信息。事實(shí)上，訓(xùn)練過程中被劃分為負(fù)樣本的預(yù)設(shè)框在經(jīng)過回歸后仍可能與目標(biāo)框產(chǎn)生IoU，但在已有的損失函數(shù)中，對(duì)所有負(fù)樣本不加區(qū)分地計(jì)算其損失，會(huì)使網(wǎng)絡(luò)不能注意到更應(yīng)該被訓(xùn)練的負(fù)樣本，即未與目標(biāo)框產(chǎn)生交并比或交并較小的樣本，從而產(chǎn)生誤檢。對(duì)于夜間車輛檢測(cè)系統(tǒng)來說，成對(duì)的路燈由于其外形特點(diǎn)與車燈類似，極易被誤檢為車輛，如圖2中的誤檢1。同時(shí)，對(duì)于部分經(jīng)過回歸后與目標(biāo)框產(chǎn)生一定交并比的檢測(cè)框，如圖2中的誤檢2，這類檢測(cè)框被分類為目標(biāo)而非背景是相對(duì)可接受的。已有的算法在訓(xùn)練過程中，沒有將誤檢1和誤檢2加以區(qū)分，而結(jié)合IoU為0這一信息，使IoU較小的負(fù)樣本產(chǎn)生更大的損失，即強(qiáng)調(diào)IoU為0的檢測(cè)框?qū)儆诒尘埃軌蚪档驼`檢率。

圖2 車輛檢測(cè)中的誤檢

1.2 定位損失函數(shù)分析

定位損失分為中心點(diǎn)定位偏差損失與高寬偏差損失，現(xiàn)分別對(duì)其進(jìn)行分析。

（1）對(duì)于高寬定位偏差，由于采用對(duì)數(shù)形式定義，其計(jì)算出的損失與預(yù)設(shè)框高寬無關(guān)，以寬度損失為例，可以看出輸入到Smooth L1的寬度損失部分僅與預(yù)測(cè)框和目標(biāo)框?qū)挾戎扔嘘P(guān)，如式（7）所示。

（2）對(duì)于中心點(diǎn)定位損失，預(yù)設(shè)框的高寬在其中承擔(dān)歸一化的作用，其高寬的設(shè)定對(duì)于后續(xù)損失的計(jì)算影響巨大。以cx定位損失為例，輸入到Smooth L1的中心點(diǎn)位置偏差如式（8）所示，可以看出其與預(yù)設(shè)框?qū)挾瘸煞幢取?/p>

如圖3所示，黑色框代表預(yù)設(shè)框，綠色框代表目標(biāo)框，紅色框代表預(yù)測(cè)框。圖3（a）和圖3（b）中預(yù)測(cè)框與目標(biāo)框的相對(duì)位置一致，應(yīng)產(chǎn)生相同的損失，然而，圖3（a）中預(yù)設(shè)框較小而圖3（b）中預(yù)設(shè)框較大，由于式（7）使用預(yù)設(shè)框的尺寸進(jìn)行歸一化，導(dǎo)致了圖3（a）的中心點(diǎn)定位損失大于圖3（b），從而促使模型訓(xùn)練比預(yù)設(shè)框大的目標(biāo)框，降低了較小目標(biāo)的檢測(cè)精度。

圖3 大目標(biāo)與小目標(biāo)產(chǎn)生損失的不平衡

在實(shí)際車輛檢測(cè)模型構(gòu)建中，為保證精度與計(jì)算速度的平衡，一般采用K均值聚類［15］對(duì)預(yù)設(shè)框大小進(jìn)行設(shè)計(jì)，所選取的預(yù)設(shè)框接近于目標(biāo)框大小分布的中位數(shù)，因此實(shí)際樣本中必然存在小于預(yù)設(shè)框的目標(biāo)框，在夜間車輛檢測(cè)中該類目標(biāo)框的占比較高，因此采用式（7）中的定位損失將降低夜間對(duì)小目標(biāo)車輛的檢測(cè)精度。

2 損失函數(shù)優(yōu)化

2.1 分類損失函數(shù)優(yōu)化

為在訓(xùn)練時(shí)將網(wǎng)絡(luò)的定位與分類聯(lián)系起來，在不同樣本的分類損失函數(shù)中增加了與IoU關(guān)聯(lián)的系數(shù)，并針對(duì)正負(fù)樣本的特性分別設(shè)計(jì)其對(duì)應(yīng)系數(shù)，如式（10）所示。圖4為正樣本IoU系數(shù)曲線，圖5為負(fù)樣本IoU系數(shù)曲線。

圖4 正樣本IoU系數(shù)

圖5 負(fù)樣本IoU系數(shù)

對(duì)于正樣本，引入IoU信息后，與目標(biāo)框的IoU越大的預(yù)測(cè)框?qū)a(chǎn)生更大的損失，進(jìn)而經(jīng)過訓(xùn)練后，IoU越大的檢測(cè)框?qū)碛懈叩姆诸惙謹(jǐn)?shù)，這樣使目標(biāo)的分類與定位聯(lián)系起來，更重要的是，這樣有利于具有較高IoU的檢測(cè)框經(jīng)過NMS之后被選為最終的輸出框，提高了定位精度。

對(duì)于負(fù)樣本，為方便說明引入IoU系數(shù)后誤檢率降低的原因，設(shè)計(jì)了如圖6所示的示例，圖中A、B、C均為3個(gè)被誤檢的負(fù)樣本，即預(yù)設(shè)框與目標(biāo)框IoU<0.5，且分類過程被判定為車輛而非背景。

圖6 3種類型的誤分類示例

對(duì)于預(yù)設(shè)框A，盡管與目標(biāo)框的IoU<0.5，但是其經(jīng)過回歸得到的預(yù)測(cè)框與目標(biāo)框的IoU較高（為便于理解，假定為0.8），從最終預(yù)測(cè)結(jié)果來看其應(yīng)該被分類為車輛。然而，由于已將其劃分為負(fù)樣本，分類子網(wǎng)絡(luò)將更傾向于將其分類為背景，這造成了檢測(cè)精度的降低，因此通過設(shè)置權(quán)重（0.04）將該樣本的損失降低至幾乎為0，使其仍然被分類為車輛。

對(duì)于預(yù)設(shè)框B，其預(yù)測(cè)框與目標(biāo)框的IoU為0.4，從預(yù)測(cè)結(jié)果來看其沒有準(zhǔn)確定位出目標(biāo)，由于分?jǐn)?shù)較低，在NMS環(huán)節(jié)其可能被附近預(yù)測(cè)框抑制，因此對(duì)于這類誤判的負(fù)樣本，給予其一定損失權(quán)重（0.36），保證其分類分?jǐn)?shù)較低即可。

對(duì)于預(yù)設(shè)框C，其預(yù)測(cè)框與目標(biāo)框的IoU為0，該類負(fù)樣本難以通過回歸與目標(biāo)框相交，且其預(yù)測(cè)框也無法被其他正確預(yù)測(cè)框所抑制，可將其理解為訓(xùn)練中的難分類負(fù)樣本（hard negative example），因此需要對(duì)該誤檢給予盡可能大的懲罰，其IoU系數(shù)被設(shè)定為1，進(jìn)而促使模型將其正確分類為背景，降低誤檢率。

2.2 定位損失函數(shù)優(yōu)化

基于1.2節(jié)中的分析，在式（1）的基礎(chǔ)上做出調(diào)整，以消除預(yù)設(shè)框高寬對(duì)于定位損失的影響，如式（11）所示。

其中

如式（11）所示，對(duì)于高寬偏差損失，依舊保持原定位損失的定義，而對(duì)于中心點(diǎn)定位損失，引入了綜合預(yù)設(shè)框、目標(biāo)框以及預(yù)測(cè)框信息的系數(shù)，以橫坐標(biāo)定位為例，修正后的損失模型中輸入到Smooth L1損失的偏差可表示為

基于式（13）可知，改進(jìn)后偏差與預(yù)設(shè)框信息完全解耦，僅與當(dāng)前訓(xùn)練過程中的預(yù)測(cè)框和目標(biāo)框有關(guān)，中心點(diǎn)在橫坐標(biāo)維度上的偏差以預(yù)測(cè)框和目標(biāo)框?qū)挾戎瓦M(jìn)行了歸一化，消除了模型對(duì)不同大小目標(biāo)框的敏感度。圖3所示的相對(duì)位置完全相同而整體尺度不同的兩子圖的定位損失完全一致，使網(wǎng)絡(luò)不會(huì)在訓(xùn)練過程中傾向于忽視小目標(biāo)。因此，采用改進(jìn)后的方法，對(duì)于較小目標(biāo)的檢測(cè)更有利，對(duì)于夜間車輛檢測(cè)系統(tǒng)來說，可以提高對(duì)遠(yuǎn)處車輛的檢測(cè)精度。

3 網(wǎng)絡(luò)訓(xùn)練

3.1 數(shù)據(jù)集

目前缺乏公開的夜間車輛數(shù)據(jù)集，為驗(yàn)證本文的方法，在夜間高速公路上采集了數(shù)據(jù)集。夜間高速公路光照條件較差，照明僅依賴車輛燈光、反光板和少量路燈，多數(shù)車輛目標(biāo)位于前方50~200 m。該場(chǎng)景下收集的圖片數(shù)據(jù)中，車輛像素信息較少且光源特征類似，易產(chǎn)生誤檢，該數(shù)據(jù)集可以有效驗(yàn)證算法的可靠性。原圖片為車載攝像頭采集的連續(xù)幀圖片，幀率為10 fps，分辨率為1280×720。為驗(yàn)證模型的可靠性，按照每0.5 s取一幀圖片的規(guī)則得到了5 465張圖片，包含11 924個(gè)車輛目標(biāo)，并按4∶1劃分訓(xùn)練集和測(cè)試集。

3.2 網(wǎng)絡(luò)架構(gòu)優(yōu)化

本文使用RetinaNet作為基礎(chǔ)模型，RetinaNet-50在ResNet50上構(gòu)建圖像特征金字塔，使用了金字塔 的P3~P7層，其 中P3、P4、P5由ResNet50的conv3_x、conv4_x、conv5_x通過上采樣和橫向連接產(chǎn)生，P6是在conv5_x的基礎(chǔ)上通過3×3卷積得到的，P7在P6的基礎(chǔ)上增加了Relu激活函數(shù)和一個(gè)3×3卷積得到。為適應(yīng)夜間車輛檢測(cè)的應(yīng)用場(chǎng)景，將圖片輸入大小設(shè)置為640×360。考慮到車載運(yùn)算單元算力的限制以及智能車輛對(duì)感知系統(tǒng)實(shí)時(shí)性的要求，對(duì)RetinaNet模型進(jìn)行了部分修改。

（1）由于車輛在圖片中所占尺寸通常較小，舍棄了特征圖中的P6和P7兩層，同時(shí)，為提高對(duì)極遠(yuǎn)處車輛的檢測(cè)能力，添加了P2特征層，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 改進(jìn)的RetinaNet網(wǎng)絡(luò)結(jié)構(gòu)示意圖

（2）使用K均值方法對(duì)訓(xùn)練集中的車輛標(biāo)簽進(jìn)行聚類［8］，并根據(jù)聚類結(jié)果設(shè)置了適合于檢測(cè)任務(wù)的預(yù)設(shè)框?？紤]到速度與精度的平衡，在P2上只設(shè)置了一個(gè)尺度20，在P3~P5上各設(shè)置了兩個(gè)尺度，其中P3上的尺度為32和58，P4上的尺度為64和90，P5上的尺度為135和190，預(yù)設(shè)框的高寬比設(shè)置為0.7。

（3）RetinaNet的分類子網(wǎng)絡(luò)和定位子網(wǎng)絡(luò)均使用了4個(gè)3×3的卷積，極大影響了檢測(cè)速度，將其替換為2個(gè)3×3卷積，以提高檢測(cè)速度。

3.3 網(wǎng)絡(luò)訓(xùn)練參數(shù)配置

使用pytorch1.7實(shí)現(xiàn)網(wǎng)絡(luò)模型，在兩個(gè)GTX 1080Ti 11GB顯卡上進(jìn)行訓(xùn)練。批尺寸設(shè)置為8，所有模型均使用隨機(jī)梯度下降方法訓(xùn)練了30個(gè)周期。初始學(xué)習(xí)率設(shè)置為0.002，動(dòng)量為0.9，權(quán)重衰減為0.000 5，每5個(gè)周期學(xué)習(xí)率降低一半。

4 試驗(yàn)結(jié)果分析

4.1 評(píng)價(jià)指標(biāo)

采用精度-召回率曲線（precision?recall curve，P-R曲線）和COCO評(píng)價(jià)指標(biāo)對(duì)模型性能進(jìn)行分析。

對(duì)于一般目標(biāo)，使用P-R曲線（IoU閾值取0.5）、AP以及APIoU=0.50（下文簡寫為AP50）進(jìn)行分析。其中，AP為不同IoU閾值下的平均精度，可反映檢測(cè)框的定位精度。對(duì)于小目標(biāo)，其定義通常有兩種：（1）長寬小于原圖像長寬1/10的目標(biāo)；（2）像素面積小于322的目標(biāo)。本文采用第2種定義，并使用小目標(biāo)的P-R曲線（IoU閾值取0.5）和APSmall（像素面積小于322的目標(biāo)的AP，下文簡寫為APS）單獨(dú)對(duì)小目標(biāo)檢測(cè)效果進(jìn)行分析驗(yàn)證。

4.2 檢測(cè)精度分析

首先驗(yàn)證對(duì)于RetinaNet網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化是否有效，測(cè)試結(jié)果如表1所示。由于選擇了分辨率較高的淺層特征層，有利于對(duì)遠(yuǎn)處目標(biāo)的檢測(cè)，相比于原始的RetinaNet，AP提高了6.3%，在此基礎(chǔ)上，通過K?means聚類的結(jié)果設(shè)置預(yù)設(shè)框，使其尺寸和高寬比更接近目標(biāo)框，更有利于網(wǎng)絡(luò)定位，使AP進(jìn)一步提高了5.4%。測(cè)試結(jié)果表明了選擇合適的特征層并依據(jù)聚類結(jié)果設(shè)置預(yù)設(shè)框?qū)z測(cè)精度的提高是顯著的。在對(duì)子網(wǎng)絡(luò)進(jìn)行簡化后，精度有所降低，但減少了網(wǎng)絡(luò)運(yùn)算的時(shí)間，提高了檢測(cè)速度。

表1 RetinaNet網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化效果

以改進(jìn)后的RetinaNet為基準(zhǔn)，通過5組試驗(yàn)測(cè)試對(duì)于損失函數(shù)的優(yōu)化方法。損失函數(shù)的優(yōu)化是對(duì)訓(xùn)練過程的改進(jìn)，不影響其檢測(cè)速度，故只需關(guān)注精度指標(biāo)。測(cè)試結(jié)果如表2、圖8和圖9所示。其中，表2中的APS指標(biāo)和圖9反映的是小目標(biāo)的檢測(cè)效果。

表2 損失函數(shù)優(yōu)化效果對(duì)比

圖8 數(shù)據(jù)集中所有目標(biāo)的檢測(cè)效果

圖9 數(shù)據(jù)集中“小目標(biāo)”的檢測(cè)效果

對(duì)于一般目標(biāo)，試驗(yàn)2為定位損失優(yōu)化，提高了1.5%的AP，檢測(cè)精度總體上升。試驗(yàn)3、試驗(yàn)4和試驗(yàn)5為分類損失優(yōu)化，其中，僅使用正樣本IoU優(yōu)化，提高了1.1%AP，表明IoU較大的檢測(cè)框獲得較高分?jǐn)?shù)是合理的；僅使用負(fù)樣本IoU優(yōu)化，提高了2.0%AP，表明該損失函數(shù)正確地利用了負(fù)樣本的IoU信息，使網(wǎng)絡(luò)更加合理地學(xué)習(xí)了負(fù)樣本；同時(shí)應(yīng)用兩種分類損失，提升了2.4%AP。試驗(yàn)6為同時(shí)應(yīng)用定位和分類損失優(yōu)化，AP提高了3.7%，AP50提高了6.1%，表明本文對(duì)于損失函數(shù)的優(yōu)化在總體上有效。

對(duì)于小目標(biāo)，試驗(yàn)2使APS提升了3.1%，表明定位損失的優(yōu)化增強(qiáng)了網(wǎng)絡(luò)對(duì)于小目標(biāo)的學(xué)習(xí)。試驗(yàn)3、試驗(yàn)4和試驗(yàn)5分別使APS提升了1.6%、3.7%和4.4%，表明了分類損失函數(shù)的優(yōu)化對(duì)于小目標(biāo)具有良好的效果。試驗(yàn)6使APS提升了6.3%，表明本文提出的方法極大地改善了小目標(biāo)的檢測(cè)效果。

4.3 定位損失函數(shù)關(guān)鍵參數(shù)優(yōu)化

為得到效果最優(yōu)的α和γ，首先，將α固定為1.0，調(diào)整γ的大小確定其大致范圍，試驗(yàn)結(jié)果如表3所示。當(dāng)γ=1.5時(shí)，AP和AP50均達(dá)到最大值，表明最佳的γ應(yīng)在區(qū)間［1，2］之內(nèi)。

表3 γ優(yōu)化試驗(yàn)結(jié)果（α=1）

然后，在［1.0，2.0］的區(qū)間內(nèi)對(duì)γ的取值進(jìn)行更精細(xì)的劃分。同時(shí)，在［0.8，1.2］的區(qū)間內(nèi)以0.1為步長改變權(quán)重α，以確定最優(yōu)的（α，γ）。表4的試驗(yàn)結(jié)果表明，當(dāng)α=1.75、γ=1.1時(shí)效果最優(yōu)。

表4 α和γ聯(lián)合優(yōu)化試驗(yàn)結(jié)果

5 結(jié)論

根據(jù)夜間車輛數(shù)據(jù)集中目標(biāo)框的特點(diǎn)，優(yōu)化了RetinaNet的網(wǎng)絡(luò)結(jié)構(gòu)，通過改進(jìn)特征層、K均值聚類設(shè)置預(yù)設(shè)框及子網(wǎng)絡(luò)簡化，構(gòu)建了具有較高性能的網(wǎng)絡(luò)模型，提高了10.9%AP。在此基礎(chǔ)上，對(duì)損失函數(shù)提出以下改進(jìn)。

（1）提出了基于IoU系數(shù)的分類損失函數(shù)，利用負(fù)樣本IoU信息，根據(jù)IoU的大小對(duì)其損失進(jìn)行修正，增強(qiáng)了網(wǎng)絡(luò)對(duì)難分類負(fù)樣本的學(xué)習(xí)，利用正樣本IoU信息提高了定位精度，使AP提升了2.4%，APS提升了4.4%。

（2）對(duì)L1損失中的中心點(diǎn)偏差損失進(jìn)行改進(jìn)，消除了訓(xùn)練過程中不同尺度目標(biāo)歸一化不一致的問題，使網(wǎng)絡(luò)更加關(guān)注小目標(biāo)檢測(cè)，使AP提升了1.5%，APS提升了3.1%。

同時(shí)采用兩種損失函數(shù)，使AP在網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的基礎(chǔ)上提升了3.7%，同時(shí)APS提高了6.3%。表明了其對(duì)于夜間車輛檢測(cè)中尤為關(guān)鍵的小尺度目標(biāo)的檢測(cè)具有較好的效果。試驗(yàn)結(jié)果證明，所提出的方法大幅改善了對(duì)夜間車輛的檢測(cè)效果，具有較高的應(yīng)用價(jià)值。