劉 勝，馬社祥，孟 鑫，李 嘯

（天津理工大學(xué) a.電氣電子工程學(xué)院；b海運學(xué)院；c.計算機科學(xué)與工程學(xué)院，天津 300384）

交通標(biāo)志識別技術(shù)是許多運輸相關(guān)應(yīng)用的重要組成部分，如自動駕駛、高級輔助駕駛系統(tǒng)。交通標(biāo)志識別主要包含2個子任務(wù)，即交通標(biāo)志檢測、交通標(biāo)志分類。檢測任務(wù)負(fù)責(zé)定位交通標(biāo)志在圖像中的具體位置，并預(yù)測相應(yīng)的邊界框。分類任務(wù)負(fù)責(zé)區(qū)分交通標(biāo)志的詳細(xì)類別［1］。

交通標(biāo)志檢測不同于一般的目標(biāo)檢測任務(wù)，它的挑戰(zhàn)主要來源于交通標(biāo)志數(shù)據(jù)的內(nèi)在特點。相比于一般的目標(biāo)，交通標(biāo)志通常更小，背景更復(fù)雜且容易被環(huán)境因素影響。因此，交通標(biāo)志檢測相對更困難。Liang M等［2］提取目標(biāo)感興趣區(qū)域，采用支持向量機對目標(biāo)分類。Wu Y等［3］利用滑動窗“由粗到細(xì)”的檢測交通標(biāo)志，實現(xiàn)了較高的檢測精度。盡管這些傳統(tǒng)的檢測方法已經(jīng)實現(xiàn)了很高的檢測精度，但無法達(dá)到實時檢測的要求。近些年，由于計算設(shè)備性能的提升，深度神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于交通標(biāo)志檢測中，其中深度卷積神經(jīng)網(wǎng)絡(luò)（deep convalutional neural network，DCNN）表現(xiàn)尤為突出。Zhu Z等［4］提出的多任務(wù)網(wǎng)絡(luò)能實現(xiàn)對交通標(biāo)志的像素級預(yù)測。Yang T等［5］引入AN（attention network）到Faster R-CNN中提取感興趣區(qū)域，利用 FRPN（fine region proposal network）生成目標(biāo)區(qū)域進行檢測。DCNN的應(yīng)用極大地提升了目標(biāo)檢測速度，但檢測精度仍需改進。在現(xiàn)實應(yīng)用中，如自動駕駛需同時具備檢測精度和檢測速度，因為錯誤檢測或延遲檢測將增加系統(tǒng)故障風(fēng)險，更嚴(yán)重的可能導(dǎo)致交通事故。因此，怎樣同時實現(xiàn)高精度和高速檢測仍值得研究。

交通標(biāo)志分類任務(wù)比檢測任務(wù)簡單。大多交通標(biāo)志分類方法都評估于德國交通標(biāo)志識別基準(zhǔn)（German traffic sign recognition benchmarks，GTSRB）。一些最先進的方法已經(jīng)達(dá)到極好的分類準(zhǔn)確率。例如，采用多列深度神經(jīng)網(wǎng)絡(luò)［6］實現(xiàn)交通標(biāo)志分類，達(dá)到了與人類視覺分類相當(dāng)?shù)谋憩F(xiàn)。Jin J等［7］提出用 hinge loss作為卷積網(wǎng)絡(luò)的損失函數(shù)，實現(xiàn)了先進的分類表現(xiàn)。這些方法在單一的分類數(shù)據(jù)集中表現(xiàn)優(yōu)異，但與檢測網(wǎng)絡(luò)相結(jié)合時，由于預(yù)測邊界框偏差導(dǎo)致分類結(jié)果準(zhǔn)確率下降。為了解決該問題，Li J等［8］提出利用傳統(tǒng)圖像處理方法來優(yōu)化目標(biāo)定位問題，即結(jié)合交通標(biāo)志的顏色和形狀信息來優(yōu)化候選交通標(biāo)志的邊界框，從而實現(xiàn)對交通標(biāo)志分類效果的提升。為進一步提升分類精確度，筆者提出采用U-Net實現(xiàn)候選交通標(biāo)志的語義分割，然后對分割后的圖像進一步處理實現(xiàn)交通標(biāo)志的定位優(yōu)化，從而提升了分類網(wǎng)絡(luò)的分類準(zhǔn)確率。

1 交通標(biāo)志識別網(wǎng)絡(luò)

交通標(biāo)志識別網(wǎng)絡(luò)包含3個子網(wǎng)絡(luò)：檢測網(wǎng)絡(luò)、定位優(yōu)化網(wǎng)絡(luò)和分類網(wǎng)絡(luò)。首先，分別訓(xùn)練3個子網(wǎng)絡(luò)，當(dāng)驗證集損失不再降低則停止訓(xùn)練。然后將輸入圖像經(jīng)過檢測網(wǎng)絡(luò)處理后生成候選交通標(biāo)志，再利用訓(xùn)練好的U-Net網(wǎng)絡(luò)對候選交通標(biāo)志語義分割以實現(xiàn)交通標(biāo)志邊界框的優(yōu)化。最終將優(yōu)化后的候選交通標(biāo)志輸入STN網(wǎng)絡(luò)分類。具體流程如圖1所示。

1.1 檢測網(wǎng)絡(luò)

圖2展示了端到端檢測網(wǎng)絡(luò)結(jié)構(gòu)。首先，將圖像輸入到主干網(wǎng)絡(luò)（backbone network）提取多尺度特征，輸出不同尺度的特征圖。然后，通過特征融合網(wǎng)絡(luò)融合不同尺度的特征圖以生成3個輸出張量。最后，3個張量經(jīng)過預(yù)測模塊處理后得到相應(yīng)的邊界框、類別和目標(biāo)分?jǐn)?shù)。預(yù)測模塊采用與YOLOv3［9］相同的計算方法，本文中不過多贅述。

根據(jù)主干網(wǎng)絡(luò)的設(shè)計因素對檢測性能的影響，設(shè)計了一種新型的端到端網(wǎng)絡(luò)結(jié)構(gòu)，主要包括主干網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)，分別用于特征提取和特征融合。

1.1.1 主干網(wǎng)絡(luò)

主干網(wǎng)絡(luò)是深度檢測網(wǎng)絡(luò)的一個重要組成部分，通常用來提取圖像的多尺度特征。CAI Z等［10-12］研究了下采樣率和網(wǎng)絡(luò)深度對檢測網(wǎng)絡(luò)性能的影響。這些影響對小尺寸目標(biāo)是顯著的，即采樣率更大且深度更淺的網(wǎng)絡(luò)對小尺寸目標(biāo)檢測起積極作用。根據(jù)這些因素對檢測效果的影響，設(shè)計一個基于Darknet-53的主干網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。該網(wǎng)絡(luò)的卷積層由52層減少至48層，詳細(xì)配置參數(shù)如表1所示。主干網(wǎng)絡(luò)的輸出端尺度由原（13×13）（26×26）（52×52）改進為（26×26）（52×52）（104×104）。考慮到網(wǎng)絡(luò)頂層會預(yù)測更多的目標(biāo)幾何特征，對尺度為（13×13）的特征圖連續(xù)上采樣，產(chǎn)生尺度為（26×26）（52×52）（104×104）的特征圖，然后在特征融合網(wǎng)絡(luò)中將生成的特征圖與之前對應(yīng)尺度的特征圖融合。由于網(wǎng)絡(luò)底層能產(chǎn)生更好的語義信息，因此，對尺度為（208×208）的特征圖池化下采樣，以便與其他尺度特征融合。

表1 主干網(wǎng)絡(luò)參數(shù)配置

1.1.2 特征融合網(wǎng)絡(luò)

為了解決目標(biāo)檢測中的尺度變化問題，圖像金字塔［13］和特征金字塔網(wǎng)絡(luò)（feature pyramid network，F(xiàn)PN）［14］相繼被提出。但圖像金字塔需要輸入多尺度圖像，F(xiàn)PN會因提取多尺度特征而增加計算成本。為應(yīng)對以上問題，設(shè)計了一種特征融合網(wǎng)絡(luò)，如圖2所示。該網(wǎng)絡(luò)融合4個不同尺度的特征圖以生成3個輸出端（Output1、Output2和Output3），對應(yīng)的尺度分別為（26×26）（52×52）（104×104）。在特征融合過程中，尺度相同的特征圖通過級聯(lián)（Concatenate）的方式融合，尺度不同的特征圖通過最大值池化（Maxpoo-ling）或上采樣（UpSampling）將特征圖大小調(diào)整為與輸出特征圖大小相同，然后采用級聯(lián)融合。

1.2 定位優(yōu)化網(wǎng)絡(luò)

由于檢測后的交通標(biāo)志存在邊界框的回歸偏差，若將其直接分類會造成較大的分類誤差。因此，在檢測網(wǎng)絡(luò)和分類網(wǎng)絡(luò)之間應(yīng)用定位優(yōu)化網(wǎng)絡(luò)來優(yōu)化候選交通標(biāo)志的邊界框，并達(dá)到提高分類精度的目的。

1.2.1 定位優(yōu)化方法

具體定位優(yōu)化流程如圖3所示：①提取檢測網(wǎng)絡(luò)預(yù)測的候選交通標(biāo)志。②分別擴大候選交通標(biāo)志的寬和高1.33倍。③利用分割網(wǎng)絡(luò)實現(xiàn)圖像的語義分割。④提取分割后的交通標(biāo)志輪廓，并裁剪出新的候選交通標(biāo)志。⑤將新的候選交通標(biāo)志輸入STN網(wǎng)絡(luò)分類。

選用 U-Net［15］作為分割網(wǎng)絡(luò)，并應(yīng)用 Res-Net50作為 U-Net的主干網(wǎng)絡(luò)。U-Net是基于FCN［16］的語義分割網(wǎng)絡(luò)，通過擴大和修改網(wǎng)絡(luò)框架使其能夠使用很少的訓(xùn)練數(shù)據(jù)就達(dá)到很好的分割效果。由于實驗中訓(xùn)練分割網(wǎng)絡(luò)的數(shù)據(jù)較少，所以選用U-Net實現(xiàn)候選交通標(biāo)志分割。

1.2.2 存在的問題及解決方法

交通標(biāo)志數(shù)據(jù)中存在多個交通標(biāo)志相鄰的情況，在檢測后會使邊界框偏差更大。擴大邊界框后會產(chǎn)生一張圖像中包含2個交通標(biāo)志的情況，如圖4（左）所示。為解決該問題，在標(biāo)注數(shù)據(jù)時每幅圖像僅標(biāo)注一個完整的交通標(biāo)志作為分割目標(biāo)。這種做法很大程度地減少了不完整交通標(biāo)志帶來的分割錯誤問題。

雖然問題得到改善，但是還存在一些錯誤分割情況，如圖5所示。對于這類問題，首先利用輪廓檢測提取圖像中的2部分，然后計算各部分面積，選取面積最大的為分割目標(biāo)，最終實現(xiàn)交通標(biāo)志的精確分割。

1.3 分類網(wǎng)絡(luò)

分類網(wǎng)絡(luò)的任務(wù)是將重新定位的候選交通標(biāo)志分成詳細(xì)類別。選用空間變換網(wǎng)絡(luò)（spatial transformer network，STN）［17］作為分類網(wǎng)絡(luò)。該網(wǎng)絡(luò)無需標(biāo)定關(guān)鍵點，并且能夠根據(jù)分類或者其他任務(wù)自適應(yīng)地將數(shù)據(jù)進行空間變換和對齊（包括平移、縮放、旋轉(zhuǎn)以及其他幾何變換等）。STN在交通標(biāo)志分類任務(wù)中表現(xiàn)優(yōu)異，因此，選用該網(wǎng)絡(luò)實現(xiàn)識別網(wǎng)絡(luò)的分類功能。

2 數(shù)據(jù)集

在訓(xùn)練檢測網(wǎng)絡(luò)、定位優(yōu)化網(wǎng)絡(luò)和分類網(wǎng)絡(luò)的過程中，分別用到了交通標(biāo)志檢測數(shù)據(jù)集、交通標(biāo)志分割數(shù)據(jù)集和交通標(biāo)志分類數(shù)據(jù)集。

2.1 交通標(biāo)志檢測數(shù)據(jù)集

1）TT100K

TT100K（Tsinghua-Tencent 100 K）是中國現(xiàn)實交通標(biāo)志數(shù)據(jù)集基準(zhǔn)，該數(shù)據(jù)集提供了100 000張圖像，共包含了30 000個交通標(biāo)志實例。每張圖像的分辨率為2 048×2 048，且囊括了多種不同場景下的目標(biāo)，如不同光照、不同天氣等狀況。每個交通標(biāo)志分別標(biāo)注了類別、邊界框和像素掩碼。實驗選用6 105張帶有標(biāo)注信息的圖像為訓(xùn)練數(shù)據(jù)，3 071張帶有標(biāo)注信息的圖像為測試數(shù)據(jù)，并將數(shù)據(jù)標(biāo)注為3類，分別為Prohi-bitory、Mandatory和Danger。

2）GTSDB

GTSDB（German traffic sign detection benchmarks）是德國交通標(biāo)志數(shù)據(jù)集基準(zhǔn)。該數(shù)據(jù)集包含900張帶有標(biāo)注信息的圖像，每張圖像的分辨率為800×1 360。選用600張為訓(xùn)練數(shù)據(jù)，300張為測試數(shù)據(jù)。該數(shù)據(jù)集是目前應(yīng)用最廣泛的數(shù)據(jù)集之一，因此用來評估提出的檢測網(wǎng)絡(luò)。根據(jù)交通標(biāo)志特點，數(shù)據(jù)集被標(biāo)記為4類，分別為Prohibitory、Mandatory、Danger和 Other。

2.2 交通標(biāo)志分割數(shù)據(jù)集

為了更好地完成候選交通標(biāo)志的語義分割任務(wù)，制作了一個小型交通標(biāo)志分割數(shù)據(jù)集。該數(shù)據(jù)集包含500張圖像，每張圖像僅標(biāo)注一個交通標(biāo)志作為前景，其他像素全部標(biāo)注為背景。收集GTSDB訓(xùn)練集中被檢測出的交通標(biāo)志作為訓(xùn)練數(shù)據(jù)，并將預(yù)測邊界框的尺寸擴大原尺寸的1/3，以保證圖像中有完整的交通標(biāo)志。選用labelme作為標(biāo)注工具，首先標(biāo)注交通標(biāo)志的輪廓，然后將其轉(zhuǎn)化為像素掩碼，最后利用像素掩碼完成網(wǎng)絡(luò)訓(xùn)練。

2.3 交通標(biāo)志分類數(shù)據(jù)集

對于交通標(biāo)志分類網(wǎng)絡(luò)的訓(xùn)練，采用GTSRB（German traffic sign recognition benchmarks）作為訓(xùn)練和測試數(shù)據(jù)集。該數(shù)據(jù)集包含超過50 000張圖像，共43個類別，是目前應(yīng)用最廣泛的交通標(biāo)志分類數(shù)據(jù)集之一。選用其中37 901張作為訓(xùn)練集，12 630張作為測試集。

3 評估指標(biāo)

在實驗中，采用平均精度均值（mean average precision，mAP）作為評估檢測網(wǎng)絡(luò)檢測性能的指標(biāo)。根據(jù)精確率/召回率曲線計算平均精度（average precision，AP）。精度率和召回率定義如式（1）所示，其中TP、FP、FN分別表示正確識別的正樣本、錯誤識別的正樣本和錯誤識別的負(fù)樣本。AP的計算方法定義如式（2）所示，其中p（k）是召回率為k時的測量精度；k是召回率變化點；Δr（k）是召回率的變化量；n是召回率變化點的總數(shù)；i是類別的索引值。mAP通過計算所有類別AP的均值所得，其中m是類別數(shù)。

通過計算預(yù)測邊界框（Bp）和真實邊界框（Bgt）之間的交并比（intersection over union，IOU）驗證預(yù)測的準(zhǔn)確性。IOU定義為

曲線下面積（area under curve，AUC）可以通過積分計算精確率/召回率曲線下的面積求得。AUC用于衡量本文方法和傳統(tǒng)交通標(biāo)志檢測方法的檢測準(zhǔn)確性。為了評估交通標(biāo)志識別網(wǎng)絡(luò)的整體性能，采用分類準(zhǔn)確率作為衡量指標(biāo)之一。分類準(zhǔn)確率的定義為

4 實驗結(jié)果分析

實驗平臺配備雙 TITAN Xp GPU，Intel（R）Core（TM）i7-7800X CPU，32GB RAM，Ubuntu 16.04操作系統(tǒng)，實驗中采用Python實現(xiàn)網(wǎng)絡(luò)模型的編譯。

4.1 檢測結(jié)果分析

4.1.1 實施細(xì)節(jié)

在實驗中，采用Keras構(gòu)建提出的檢測網(wǎng)絡(luò)、YOLOv3和 RetinaNet（ResNet50），采用 TensorFlow構(gòu)建 Faster R-CNN（ResNet50）。對 TT100K和GTSDB數(shù)據(jù)集上的輸入圖像尺寸分別調(diào)整為416×416和416×672。為了獲得更好的訓(xùn)練結(jié)果，在訓(xùn)練期間應(yīng)用遷移學(xué)習(xí)。對于TT100K數(shù)據(jù)集，加載在Imagenet上預(yù)訓(xùn)練的Darknet-53前35層卷積層權(quán)重。首先，凍結(jié)前35層卷積層，經(jīng)過50次迭代后解除凍結(jié)。然后，所有層在經(jīng)過30次迭代后結(jié)束訓(xùn)練。對于GTSDB數(shù)據(jù)集，通過加載在TT100K上訓(xùn)練好的權(quán)重來實現(xiàn)遷移學(xué)習(xí)。

表2展示了相關(guān)超參數(shù)配置。

表2 超參數(shù)配置

4.1.2 檢測表現(xiàn)

為了分析檢測網(wǎng)絡(luò)的性能，分別在TT100K和GTSDB兩個數(shù)據(jù)集上進行測試分析。在TT100K數(shù)據(jù)集上對比不同深度網(wǎng)絡(luò)的檢測表現(xiàn)。在GTSDB數(shù)據(jù)集上分別與深度網(wǎng)絡(luò)和傳統(tǒng)檢測方法對比。由于TT100K數(shù)據(jù)集中的目標(biāo)比GTSDB數(shù)據(jù)集的更小，所以應(yīng)用TT100K訓(xùn)練和測試更能展現(xiàn)網(wǎng)絡(luò)對小尺寸目標(biāo)的檢測能力。下面從檢測準(zhǔn)確率和運行時間2個方面分析說明。

1）準(zhǔn)確率分析

表3展示了在TT100K數(shù)據(jù)集下的實驗結(jié)果。在3個類別中，提出的檢測網(wǎng)絡(luò)的AP分別達(dá)到86.60%、88.24%和87.88%。因此，提出的網(wǎng)絡(luò)模型對小型交通標(biāo)志的檢測能力更強。

表3 TT100K下檢測精度和檢測速度

表4展示了在GTSDB數(shù)據(jù)集下的實驗結(jié)果。與其他幾個深度網(wǎng)絡(luò)的檢測AP對比，除YOLOv3和Ours外的其他網(wǎng)絡(luò)實驗數(shù)據(jù)來源于文獻(xiàn)［18］。提出的檢測網(wǎng)絡(luò)能夠檢測4類交通標(biāo)志，且每類的檢測表現(xiàn)都優(yōu)于其他網(wǎng)絡(luò)。與YOLOv3相比，提出的網(wǎng)絡(luò)在每個類別都實現(xiàn)了性能提升，尤其對Other類提升最大。除了與深度網(wǎng)絡(luò)相比，表5中還展示了與傳統(tǒng)方法的對比數(shù)據(jù)。采用AUC作為準(zhǔn)確性評價指標(biāo)。提出的網(wǎng)絡(luò)在檢測準(zhǔn)確性方面實現(xiàn)了與ROI+HOG+SVM［19］方法相當(dāng)?shù)男阅埽\行時間約為它的1/3。總體來看，提出網(wǎng)絡(luò)的表現(xiàn)更佳。

表4 GTSDB下檢測精度和檢測速度

表5 GTSDB下與傳統(tǒng)方法檢測精度和檢測速度

2）運行時間分析

運行時間是交通標(biāo)志檢測系統(tǒng)中的重要指標(biāo)。對于TT100K數(shù)據(jù)集，表3中對比了不同深度網(wǎng)絡(luò)的運行時間，其中YOLOv3的檢測速度最快，每張圖像的執(zhí)行時間為39.4 ms。提出的檢測網(wǎng)絡(luò)的運行時間僅次于YOLOv3，而且檢測精度遠(yuǎn)高于其他3個檢測網(wǎng)絡(luò)，實現(xiàn)了87.57%的mAP，每個圖像的平均執(zhí)行時間為44.4 ms。

對于GTSDB數(shù)據(jù)集，表4和表5分別與深度網(wǎng)絡(luò)和傳統(tǒng)方法的運行時間進行比較。提出網(wǎng)絡(luò)的運行時間遠(yuǎn)優(yōu)于傳統(tǒng)方法，且檢測精確度實現(xiàn)了與傳統(tǒng)方法相當(dāng)?shù)男阅堋?/p>

4.2 定位優(yōu)化結(jié)果分析

前文提及利用傳統(tǒng)圖像處理方法實現(xiàn)定位優(yōu)化［8］。在實驗中復(fù)現(xiàn)該方法，并與提出的定位優(yōu)化方法進行對比分析。主要從3個方面對比討論：特殊實例優(yōu)化、分類準(zhǔn)確率優(yōu)化和識別網(wǎng)絡(luò)整體優(yōu)化。

1）特殊實例優(yōu)化分析

針對具有代表性的交通標(biāo)志對比分析，如目標(biāo)清晰、目標(biāo)模糊、特殊目標(biāo)以及多交通標(biāo)志等。圖6展示了原始圖像、傳統(tǒng)方法優(yōu)化結(jié)果和提出方法優(yōu)化結(jié)果。從圖6中可以看出：對于一些特殊目標(biāo)和模糊目標(biāo)，傳統(tǒng)方法不能很好地重新定位，而被提出的方法實現(xiàn)了精確的目標(biāo)定位。由此可見，提出的方法對特殊實例有更好的優(yōu)化效果。

2）分類準(zhǔn)確率優(yōu)化分析

分析分類準(zhǔn)確率的目的是驗證定位優(yōu)化網(wǎng)絡(luò)對STN網(wǎng)絡(luò)分類效果的影響。表6中給出了未使用定位優(yōu)化方法、傳統(tǒng)方法和本文中提出的優(yōu)化方法的分類優(yōu)化效果。表中的分?jǐn)?shù)閾值為分類器的分?jǐn)?shù)閾值，分類得分大于該值則預(yù)測類別，反之不預(yù)測。從表6中可以看出：提出的方法對分類準(zhǔn)確率有很大提升，且在各個分?jǐn)?shù)閾值下的優(yōu)化效果都優(yōu)于傳統(tǒng)方法。

表6 不同分?jǐn)?shù)閾值下分類準(zhǔn)確率

3）識別網(wǎng)絡(luò)整體優(yōu)化分析

表7為識別網(wǎng)絡(luò)的mAP結(jié)果?？梢钥闯觯簜鹘y(tǒng)方法對原始網(wǎng)絡(luò)的作用是消極的，使mAP大幅下降。而提出的方法對各個閾值下的性能都有提升，尤其對于分?jǐn)?shù)閾值為0.7和0.8下的mAP提升效果最大?？傮w來看，提出的網(wǎng)絡(luò)展現(xiàn)了優(yōu)異的性能。

表7 不同分?jǐn)?shù)閾值下mAP

5 結(jié)論

1）提出了一種基于YOLOv3的交通標(biāo)志檢測網(wǎng)絡(luò)。該網(wǎng)絡(luò)實現(xiàn)了快速精準(zhǔn)的交通標(biāo)志檢測。

2）通過引入定位優(yōu)化網(wǎng)絡(luò)重新生成候選交通標(biāo)志，提升了分類網(wǎng)絡(luò)的準(zhǔn)確性。通過在TT100K和GTSDB數(shù)據(jù)集上的訓(xùn)練和測試驗證了所提方法的有效性。

3）基于YOLOv3的檢測網(wǎng)絡(luò)可以應(yīng)用于其他小型目標(biāo)檢測中，尤其對于同時需要高速和高精度檢測的任務(wù)。定位優(yōu)化方法能有效提升識別網(wǎng)絡(luò)的整體性能，可以將其添加到各種需要檢測和分類網(wǎng)絡(luò)聯(lián)合應(yīng)用的任務(wù)中，以此來提升網(wǎng)絡(luò)性能。對于定位優(yōu)化方法中的分割網(wǎng)絡(luò)還有進一步提升的空間，也是未來重點研究內(nèi)容。