魏 威 李學(xué)偉

(北京聯(lián)合大學(xué)北京市信息服務(wù)工程重點實驗室 北京 100101) (北京聯(lián)合大學(xué)機器人學(xué)院 北京 100101)

0 引 言

近年來，隨著人工智能技術(shù)的不斷發(fā)展與完善，基于深度學(xué)習(xí)的目標(biāo)檢測算法在智能駕駛、視頻索引等領(lǐng)域得到了廣泛的應(yīng)用。智能駕駛車輛在行駛過程中精準(zhǔn)檢測并識別道路場景中的車輛、交通標(biāo)識牌、信號燈等是十分重要的。城市道路中的交通標(biāo)識包含了豐富的導(dǎo)航信息，能夠指示、警示駕駛員的駕駛行為。精準(zhǔn)地檢測并識別交通標(biāo)識對提高道路駕駛安全有十分重要的意義，是智能駕駛的重要組成部分。此外，交通標(biāo)識檢測還可以應(yīng)用在自適應(yīng)的車輛巡航等輔助駕駛系統(tǒng)中。

傳統(tǒng)的檢測算法一般是基于機器視覺的方法，根據(jù)交通標(biāo)識具有嚴(yán)格的形狀以及顏色等特點來提取特征信息，然后通過分類器進(jìn)行分類識別。Cao等[1]使用HSV顏色空間進(jìn)行閾值分割，然后根據(jù)形狀特征檢測交通標(biāo)識。Gabriel等[2]利用顏色信息建立統(tǒng)計模板檢測交通路口處的交通標(biāo)識。Chen等[3]通過對自適應(yīng)增強和支持向量回歸技術(shù)的研究，提出了一種基于交通標(biāo)志顏色、形狀和空間信息的顯著性方法。何思遠(yuǎn)等[4]先對圖像進(jìn)行灰度化、腐蝕、膨脹等處理后，再使用區(qū)域一致的顯著性方法檢測電力線路相位交通標(biāo)識。這些傳統(tǒng)的交通標(biāo)識檢測算法結(jié)構(gòu)復(fù)雜，需要人為地提取特征信息，人為提取特征信息存在一定的主觀性和單一性，傳統(tǒng)算法具有計算復(fù)雜、實用性差等缺點。

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展與完善，基于深度學(xué)習(xí)的檢測算法結(jié)構(gòu)更加簡單高效，超越了傳統(tǒng)的檢測算法成為當(dāng)前主流。常見的基于深度學(xué)習(xí)目標(biāo)檢測算法包括R-CNN系列[5-7]、YOLO系列[8-10]、SPP-net[11]、SSD[12]等。Song等[13]提出了優(yōu)化CNN網(wǎng)絡(luò)的交通標(biāo)識檢測方法，通過增加特征圖維數(shù)和下采樣的方式增強小目標(biāo)的特征。裴偉等[14]使用引入了特征融合機制的SSD算法檢測航拍圖像中的小目標(biāo)。Zhang等[15]使用YOLOv2算法檢測并識別中國道路場景中的交通標(biāo)識牌。陳江昀[16]使用超像素過分割方法處理圖像，然后提取分割區(qū)域的特征并進(jìn)行區(qū)域合并的方式來檢測小目標(biāo)。Chen等[17]改進(jìn)了Lenet-5網(wǎng)絡(luò)的激活函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，并采用基于交叉熵的梯度下降算法對檢測誤差進(jìn)行了優(yōu)化，有效地防止了深度學(xué)習(xí)檢測網(wǎng)絡(luò)過度擬合，同時也提高了交通標(biāo)識的檢測效率。Arcos-García等[18]通過大量實驗分析了Faster R-CNN、SSD、YOLOv2等算法在交通標(biāo)識檢測上的效果。孟琭等[19]結(jié)合SSD算法、語義分割技術(shù)、數(shù)字識別技術(shù)來識別鐵軌路牌。Peng等[20]使用經(jīng)典的目標(biāo)檢測算法Faster R-CNN檢測并識別交通標(biāo)識。Faster R-CNN、SSD、YOLOv2等算法只使用網(wǎng)絡(luò)中最深層的特征圖來檢測目標(biāo)，最深層的特征圖中包含的小目標(biāo)輪廓、紋理等特征信息較少，不利于小目標(biāo)的檢測，為了能夠準(zhǔn)確檢測小目標(biāo)還需要設(shè)計更加有效的深度學(xué)習(xí)檢測模型。交通標(biāo)識普遍尺度較小、部分類別的交通標(biāo)識特征相似，F(xiàn)PN網(wǎng)絡(luò)[21]在檢測這些交通標(biāo)識時會存在誤檢、漏檢的情況。改進(jìn)的SSD[14]、YOLOv3算法在小目標(biāo)檢測上速度快，但是檢測精確度還是不夠好，與FPN網(wǎng)絡(luò)相同在檢測尺寸很小、特征相似的交通標(biāo)識時會產(chǎn)生誤檢、漏檢的現(xiàn)象。

根據(jù)以上分析，本文提出一種基于特征融合級聯(lián)網(wǎng)絡(luò)的算法來檢測交通標(biāo)識牌。算法在Faster R-CNN框架的基礎(chǔ)上，首先對低分辨率的高層特征圖進(jìn)行兩倍的上采樣，然后將兩倍上采樣后的特征圖與高分辨率的低層特征圖進(jìn)行融合，這樣就能夠同時利用低層特征圖中豐富的特征信息與高層特征圖中豐富的語義信息來檢測交通標(biāo)識。我們使用ResNet50[22]網(wǎng)絡(luò)作為算法的特征提取網(wǎng)絡(luò)，并將錨尺寸大小定為32×32、64×64、128×128的三種尺度，提升尺度小的交通標(biāo)識檢測準(zhǔn)確率。為了能夠解決尺度小、特征相似的交通標(biāo)識誤檢問題，算法在特征融合網(wǎng)絡(luò)后級聯(lián)了一個改進(jìn)的GoogLeNet網(wǎng)絡(luò)進(jìn)行交通標(biāo)識的精準(zhǔn)分類。算法將特征融合網(wǎng)絡(luò)檢測到的交通標(biāo)識去除背景并放大后送入改進(jìn)的GoogLeNet網(wǎng)絡(luò)進(jìn)行精準(zhǔn)分類，最終把檢測的結(jié)果信息返回原圖并輸出。將改進(jìn)的算法與現(xiàn)在主流的目標(biāo)檢測算法在Tsinghua-Tencent 100k(TT100k)交通標(biāo)識數(shù)據(jù)集[23]上對比實驗，結(jié)果表明本文算法對標(biāo)識牌檢測的精準(zhǔn)率更高、檢測效果更好。2018年，我們使用該算法參加了由國家自然科學(xué)基金委員會主辦的“中國智能車未來挑戰(zhàn)賽”——離線測試，在該比賽的交通信號檢測項目中取得了全國第一名的成績。

1 特征融合級聯(lián)網(wǎng)絡(luò)

算法使用ResNet50網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)，ResNet50網(wǎng)絡(luò)的殘差模塊可以有效減輕深度網(wǎng)絡(luò)梯度爆炸和梯度消失的問題。算法在Faster R-CNN檢測框架基礎(chǔ)上加入了特征融合模塊，將特征提取網(wǎng)絡(luò)提取到的特征信息進(jìn)行融合，同時利用低層特征圖中豐富的特征信息與高層特征圖中豐富的語義信息來檢測交通標(biāo)識。將錨尺寸大小定為32×32、64×64、128×128的三種尺度，提升尺度小的交通標(biāo)識檢測的準(zhǔn)確率。為了解決交通標(biāo)識誤分類問題，算法在特征提取網(wǎng)絡(luò)后級聯(lián)了一個改進(jìn)的GoogLeNet網(wǎng)絡(luò)。將特征融合網(wǎng)絡(luò)檢測到的目標(biāo)去除背景并放大后送入改進(jìn)的GoogLeNet網(wǎng)絡(luò)進(jìn)行分類，最終把結(jié)果信息返回并輸出。算法在GoogLeNet網(wǎng)絡(luò)中的Inception模塊上增加三個3×3卷積操作和相應(yīng)的降采樣層，以提取更多的潛在特征。圖1為提出的檢測算法的框架結(jié)構(gòu)。

圖1 特征融合級聯(lián)網(wǎng)絡(luò)模型結(jié)構(gòu)

1.1 檢測框架基本結(jié)構(gòu)

算法使用Faster R-CNN作為基本框架，F(xiàn)aster R-CNN目標(biāo)檢測算法由卷積層、RPN網(wǎng)絡(luò)層、ROI層、全連接層組成。Faster R-CNN算法先使用卷積層對輸入的圖像進(jìn)行特征提取，生成并得到特征圖；接著將特征圖送入RPN網(wǎng)絡(luò)中生成目標(biāo)建議區(qū)域；再是ROI層通過遍歷的方式，將建議區(qū)域在特征圖上生成映射，并生成固定大小的目標(biāo)候選區(qū)域特征圖；大小固定的目標(biāo)候選區(qū)域特征圖在經(jīng)過全連接層的全連接后，分類器會對目標(biāo)進(jìn)行具體分類，并通過目標(biāo)在特征圖中的位置信息獲取目標(biāo)的精確位置。圖2是以ResNet50為骨架網(wǎng)絡(luò)的Faster R-CNN基本結(jié)構(gòu)。

圖2 Faster R-CNN結(jié)構(gòu)

不同的特征提取網(wǎng)絡(luò)會影響最終的目標(biāo)檢測效果，算法選取ResNet50網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)。ResNet50網(wǎng)絡(luò)在前饋網(wǎng)絡(luò)的結(jié)構(gòu)上，增加了跳躍連接來跨過一些層的連接。每有一個這樣跳躍連接就產(chǎn)生一個殘差模塊，ResNet50網(wǎng)絡(luò)通過殘差學(xué)習(xí)的方式解決了深度網(wǎng)絡(luò)退化的問題。圖3為ResNet50網(wǎng)絡(luò)中的殘差單元結(jié)構(gòu)。

圖3 ResNet50網(wǎng)絡(luò)中殘差結(jié)構(gòu)

1.2 特征融合

輸入的圖片在卷積層中提取特征時會經(jīng)過五個卷積塊(分別記為Conv1至Conv5)。由于圖片在經(jīng)過每個卷積塊時分辨率會減小，從而該卷積塊提取到的特征圖中目標(biāo)特征信息就會減少，容易造成小目標(biāo)的特征信息缺失，不利于交通標(biāo)識牌的檢測。在特征提取網(wǎng)絡(luò)中，淺層特征圖中包含了小目標(biāo)豐富的顏色、形狀等特征信息，但是包含的語義信息很少；而深層特征圖包含了小目標(biāo)豐富的語義信息，但包含的特征信息很少?，F(xiàn)在主流的深度學(xué)習(xí)目標(biāo)檢測方法，大多只使用了最深層的特征圖來檢測目標(biāo)，所以對小目標(biāo)檢測的精準(zhǔn)度不高。為了能夠更精準(zhǔn)地檢測交通標(biāo)識，算法將各個卷積塊提取到的特征圖進(jìn)行特征信息融合。

多層特征圖的信息融合方法是把語義強的高層特征圖進(jìn)行上采樣，與卷積后的低層特征圖中對應(yīng)的元素相加，于是高層特征圖包含了低層特征圖中目標(biāo)的特征信息。這樣就能夠同時利用高層低分辨率特征圖的語義信息和低層高分辨率特征圖中目標(biāo)的特征信息來檢測交通標(biāo)識。將輸入的圖像在經(jīng)過卷積塊Conv1卷積后的輸出記為C1(C2、C3、C4、C5同理)。特征信息融合的具體操作過程是：首先使用一個1×1的卷積塊對C5卷積，獲取低分辨率的特征圖P5；再將P5經(jīng)過兩倍的上采樣與經(jīng)過1×1卷積后的C4對應(yīng)元素相加；最后將兩層元素相加后的結(jié)果經(jīng)過一個3×3卷積塊的卷積后得到P4(P2、P3同理)。最后一步中3×3的卷積操作是為了消除低分辨率的特征圖在上采樣過程中產(chǎn)生的混疊效應(yīng)。由于龐大的內(nèi)存占用，這里不將C1放入到特征金字塔中。圖4為特征融合模塊結(jié)構(gòu)。

圖4 特征融合模塊

1.3 區(qū)域建議網(wǎng)絡(luò)

RPN網(wǎng)絡(luò)能夠同時預(yù)測每個位置中對象的概率信息和邊界信息。建立一個RPN網(wǎng)絡(luò)需要額外增加兩個卷積層，一個卷積層用來編碼每個卷積圖位置，將其轉(zhuǎn)換成特征向量；另一個在卷積圖的位置上輸出目標(biāo)概率和回歸n個區(qū)域建議框參數(shù)化坐標(biāo)。RPN網(wǎng)絡(luò)使用的特征信息是由特征提取網(wǎng)絡(luò)提供的，解決了使用選擇性搜索速度慢的問題。RPN的具體操作是使用一個窗口在特征圖上進(jìn)行平移，將平移產(chǎn)生的向量送到平行的全連接分類層和全連接位置回歸層，獲取目標(biāo)的分類信息和位置信息。圖5為RPN網(wǎng)絡(luò)結(jié)構(gòu)，在每個滑動窗口的中心對應(yīng)k個錨。窗口在移動到每個位置時會得到預(yù)測的候選區(qū)域和位置回歸層坐標(biāo)信息，并通過分類層獲取候選區(qū)域是檢測目標(biāo)的概率。針對大部分交通標(biāo)識牌尺寸小的情況，算法中錨尺寸大小定為32×32、64×64、128×128的三種尺度，并且每個尺度都有長寬比為1 ∶2、1 ∶1和2 ∶1的三種比例，即整個特征金字塔共有九種錨。

圖5 RPN網(wǎng)絡(luò)結(jié)構(gòu)

1.4 目標(biāo)精準(zhǔn)分類

一般交通標(biāo)識在原圖像中的尺寸很小特征不明顯，在經(jīng)過多次卷積操作后尺寸會持續(xù)減小，特征信息更加不明顯。此外在城市道路中存在大量與交通標(biāo)識特征相似的宣傳標(biāo)語和廣告牌，這些都會嚴(yán)重影響交通標(biāo)識的準(zhǔn)確分類。準(zhǔn)確地分類交通標(biāo)識需要將圖片充分放大，放大后的圖像中目標(biāo)特征信息更為明顯，能夠有效地解決誤分類的問題。但是在深度學(xué)習(xí)算法中，直接將圖片放大后經(jīng)常會造成圖片太大無法計算的問題。算法先使用深度網(wǎng)絡(luò)檢測出交通標(biāo)識在圖像中的位置，然后根據(jù)位置信息得到去除背景后的交通標(biāo)識，再將交通標(biāo)識放大后送到級聯(lián)的分類網(wǎng)絡(luò)中進(jìn)行精準(zhǔn)分類，就可以有效地解決這個問題。

算法使用GoogLeNet網(wǎng)絡(luò)作為交通標(biāo)識的精準(zhǔn)分類網(wǎng)絡(luò)，GoogLeNet網(wǎng)絡(luò)中包含了一系列的Inception模塊。Inception模塊在一定程度上解決了深度網(wǎng)絡(luò)容易過擬合、梯度消失的問題。Inception模塊根本方法是將全連接以及卷積都轉(zhuǎn)化為稀疏連接，這樣產(chǎn)生的數(shù)據(jù)是稠密數(shù)據(jù)，既增加了神經(jīng)網(wǎng)絡(luò)表現(xiàn)能力，又能保證計算資源的使用效率。Inception模塊先使用一個1×1卷積降低通道聚合信息后再計算，更高效地利用了計算資源。GoogLeNet采取全局均值池化，解決了傳統(tǒng)CNN網(wǎng)絡(luò)中最后的全連接層參數(shù)過于復(fù)雜造成泛化能力差的問題。為了能夠提取更多的交通標(biāo)識潛在特征信息，本文算法在Inception模塊中增加三個3×3卷積操作和相應(yīng)的降采樣。圖6為算法中改進(jìn)后的Inception結(jié)構(gòu)。

圖6 Inception模塊結(jié)構(gòu)

2 實驗結(jié)果與分析

本文算法的實驗環(huán)境平臺：操作系統(tǒng)為Ubuntu 16.04，顯卡型號為NVIDIA-TITANxp，計算機內(nèi)存為16 GB，開發(fā)框架為Caffe。為了驗證算法的性能，該算法在TT100k交通標(biāo)識數(shù)據(jù)集[23]上進(jìn)行測試驗證。TT100k是由清華大學(xué)和騰訊聯(lián)合發(fā)表的交通標(biāo)識數(shù)據(jù)集，其中共有10萬幅圖像(包括3萬幅有交通標(biāo)識的圖像和7萬幅沒有交通標(biāo)識的圖像)，包含了221種類別的交通標(biāo)識牌。圖像的分辨率為2 048×2 048像素，交通標(biāo)識牌的大小從15×15到128×128像素不等，數(shù)據(jù)集劃分為訓(xùn)練集和測試集。TT100k數(shù)據(jù)集以城市道路作為采集場景，在我國的5個城市取景(包括不同時間段的市中心和郊區(qū))。

本文選取了FPN[21]、YOLOv3[10]和Faster R-CNN[7]三種算法與本文算法在TT100K上進(jìn)行對比實驗。FPN網(wǎng)絡(luò)是特征融合網(wǎng)絡(luò)的代表性算法，它能夠兼顧不同尺度的目標(biāo)，對多尺度的目標(biāo)及小目標(biāo)有較好的檢測性能。YOLOv3是在較小尺度目標(biāo)檢測方面有較好效果的算法，在多尺度目標(biāo)檢測上也有一定的效果。Faster R-CNN是常用的目標(biāo)檢測算法，應(yīng)用在各種類型的目標(biāo)檢測上。因此選取以上三種深度學(xué)習(xí)的目標(biāo)檢測算法與本文算法進(jìn)行對比實驗。

2.1 定量分析

為了能夠科學(xué)地評價檢測性能，本文使用平均精確度均值(mean Average Precision,mAP)來衡量，這是目標(biāo)檢測領(lǐng)域常用指標(biāo)。在二元檢測中會有下面四種情況：原本為正樣本檢測為正例，記為TP；原本為正樣本檢測為負(fù)樣本，記為FN；原為負(fù)樣本檢測為正樣本，記為FP；原為負(fù)樣本檢測為負(fù)樣本，記為TN。精確率(Precision,記為P)用來表示檢測為正例的樣本中有多少真正是正樣本的比例，召回率(Recall,記為R)是指在所有正樣本中被檢測為正例的比例。它們的計算方法分別為：

(1)

(2)

以精確率和召回率分別為縱、橫軸坐標(biāo)做曲線，曲線所圍起來的面積就是平均精確度(Average Precision,AP)。在交通標(biāo)識檢測中，每類都可以根據(jù)上述方法求出AP值，AP值越高則該類交通標(biāo)識檢測效果就越好。mAP是所有類別的交通標(biāo)識檢測的AP值的平均值，mAP值越高，表示交通標(biāo)識的整體檢測效果越好。

表1中數(shù)據(jù)為四種檢測算法在訓(xùn)練時的參數(shù)值。TT100k數(shù)據(jù)集中共有221種類別的目標(biāo)，包括“限速”“警告”“禁止”等交通標(biāo)識牌的細(xì)分類。但是其中大部分類別的交通標(biāo)識數(shù)據(jù)量極少，甚至有幾類交通標(biāo)識的數(shù)量只有幾個。這極大影響檢測算法的訓(xùn)練和交通標(biāo)識檢測的準(zhǔn)確率，本文選取了其中30類數(shù)據(jù)量較多且常見的交通標(biāo)識進(jìn)行實驗。

表1 模型訓(xùn)練時參數(shù)

在Faster R-CNN算法中錨大小為128×128、256×256和512×512的三種尺度和1 ∶1、1 ∶2、2 ∶1的三種寬高比的9種錨框。FPN算法中錨大小為32×32、64×64、128×128、256×256和512×512的五種尺度和1 ∶1、1 ∶2、2 ∶1的三種寬高比的15種錨框。為了提升尺度小的交通標(biāo)識檢測的準(zhǔn)確率，算法提出將錨尺寸大小定為32×32、64×64、128×128的三種尺度和1 ∶1、1 ∶2、2 ∶1的三種寬高比的錨框。并通過實驗觀測在相同寬高比下不同尺度的錨框?qū)z測結(jié)果的影響，從而選出最優(yōu)的錨框尺度。表2中實驗數(shù)據(jù)為在TT100k數(shù)據(jù)集中不同尺度的錨框的檢測結(jié)果，實驗結(jié)果表明錨框尺度在32×32、64×34和128×128下效果最好，故本文算法使用該尺度的錨框。

表2 不同尺度錨框的檢測結(jié)果

表3中實驗數(shù)據(jù)是將本文算法與FPN、YOLOv3和Faster R-CNN算法對比實驗的結(jié)果數(shù)據(jù)，以上四種算法在TT100k數(shù)據(jù)集上進(jìn)行了對比實驗。根據(jù)表3中的數(shù)據(jù)顯示，本文算法平均精準(zhǔn)度均值(mAP)為85.3%，而FPN的mAP為83.5%，YOLOv3的則為81.8%，F(xiàn)aster R-CNN的平均精準(zhǔn)度均值為71.3%。結(jié)果顯示本文算法與FPN算法相比平均精準(zhǔn)度提高了2百分點左右，與YOLOv3算法相比平均精準(zhǔn)度提高了3百分點左右，證明了本文算法的有效性。表4中實驗數(shù)據(jù)為在TT100k交通標(biāo)識數(shù)據(jù)集上，幾種常見交通標(biāo)識在以上四種檢測算法下的平均精度(AP)值。

表3 各模型平均精準(zhǔn)度

表4 幾種常見交通標(biāo)識的平均檢測精度

續(xù)表4

2.2 定性分析

為了更直觀地展示實驗效果，將本文算法與FPN、YOLOv3和Faster R-CNN三種算法的對比實驗結(jié)果可視化。場景均是選自TT100k交通標(biāo)識數(shù)據(jù)集，分為強光照射場景、弱光照射場景和夜晚場景。場景中準(zhǔn)確檢出的交通標(biāo)識均用正方形(□)框標(biāo)出、漏檢的交通標(biāo)識均用正三角形(△)框標(biāo)出、誤檢交通標(biāo)識均用倒三角形(▽)框標(biāo)出，使用的算法從左到右依次為：Faster R-CNN、YOLOv3、FPN和本文算法，如圖7所示。

(a) 強光照射場景

(b) 弱光照射場景

(c) 夜晚場景圖7 交通標(biāo)識檢測結(jié)果對比

在強光照射場景中：光照強烈，攝像機距交通標(biāo)識的距離較遠(yuǎn)，目標(biāo)數(shù)量較多，交通標(biāo)識基本都很小。在弱光照射場景中：光照較弱，攝像機距交通標(biāo)識的距離較近，存在少量中等尺度交通標(biāo)識和數(shù)量較多的尺度小的交通標(biāo)識。在夜晚場景中：光照很弱，攝像機距交通標(biāo)識的距離較近，交通標(biāo)識的尺度大多為中等大小。在以上三種場景中，F(xiàn)aster R-CNN會有較多的目標(biāo)漏檢；YOLOv3能夠準(zhǔn)確檢測出大部分的交通標(biāo)識，但是會有部分誤檢和漏檢情況；FPN能夠檢測出極大部分的交通標(biāo)識，會存在少量小尺度的交通標(biāo)識的誤檢和漏檢；本文算法基本能夠檢測全部的交通標(biāo)識，極少情況下會出現(xiàn)誤檢和漏檢現(xiàn)象。

3 結(jié) 語

本文提出一種基于深度學(xué)習(xí)級聯(lián)網(wǎng)絡(luò)的交通標(biāo)識牌檢測算法，將算法在TT100k交通標(biāo)識數(shù)據(jù)集上測試驗證，并與FPN、YOLOv3、Faster R-CNN三種算法進(jìn)行對比。該算法在TT100k上平均檢測精度為85.3%，與FPN算法相比提高了2百分點左右，與YOLOv3算法相比提高了3百分點左右。實驗結(jié)果表明，本文提出的級聯(lián)網(wǎng)絡(luò)模型在交通標(biāo)識檢測上有效。2018年，我們使用該算法參加了由國家自然科學(xué)基金委員會主辦的“中國智能車未來挑戰(zhàn)賽”——離線測試，并在交通信號標(biāo)識檢測項目中取得了全國第一名的成績。此外實驗中發(fā)現(xiàn)該算法檢測速度比較慢，距離交通標(biāo)識的實時性檢測仍有差距。如何在不降低檢測精準(zhǔn)度的條件下精簡網(wǎng)絡(luò)結(jié)構(gòu)、降低運算量，將是我們未來的主要研究方向。