1 引言

随着深度学习的不断发展, 视觉导航任务应用场景也不断增加, 对环境的感知需求也愈发提升. 目标检测便是视觉导航任务中极为基础和重要的一项任务, 旨在通过图像框选出其中存在的物体, 从而提供环境感知所需要的语义信息. 传统的目标检测方法基于有监督学习, 需要大量的标注, 极其耗费人力与物力, 且并未充分考虑视觉导航任务中数据之间的关联性. 为此, 学者们提出自监督学习方法. 相较于传统的有监督学习, 自监督不需要昂贵的数据标记, 可以通过大量未标注的数据来训练模型, 从而得到更为通用和丰富的上游特征表达. 在计算机视觉、自然语言处理及语音处理等领域, 自监督学习已经变得越来越重要, 图灵奖得主LeCun在AAAI上也称自监督学习为未来的大势所趋, 并称之为智能的暗物质. 图片是环境信息的综合, 潜在地包含了物理世界的各种规律和规则, 自监督学习正是通过这些规律获取图像中的一致性信息, 从而学习到较好的上游表征. 图像中自监督表征学习主要包括对比式和掩码重建式两种模式, 都是在单张图片上进行变换操作, 生成两种样本并最小化差异. 视频自监督学习则包括视频速度预测、帧序列验证、帧序列掩码重建等模式, 企图在时间维度上获取更丰富的信息. 在视觉导航任务中, 多次收集的数据之间亦有相似性, 如图1所示, 可以在同一位置获取历史图像数据, 其中交通参与者及图像所处天气皆不同. 我们可以通过GPS及SIFT ^[1]图像特征进行时间维度上的聚合, 充分利用历史信息, 构造质量更高的样本, 使模型学习到更优秀的特征, 从而在下游检测任务上达到更高的精度.

具体来说, 本文提出了一种基于历史图像信息的图像增强算法, 关注时间及空间上下文信息, 通过多次经过同一区域的图像提取时空特征信息. 这种图像序列在很多场景下都可以轻易地获得, 如定轨巡检车辆、每日上下班的驾车路线等. 对于多次经过的同一场景, 其内背景物体(如楼房、道路)具有一致性, 交通参与者(如车辆、行人) 则动态变化, 可依据该特点设计图像增强方法, 使模型提取到更加精确的上游特征表示. 同时, 本文改进了SimSiam自监督学习模型, 并将上述图像增强算法应用在正样本的构建上. 最后, 本文在nuScenes数据集^[2]上进行实验. 在原始数据集的基础上, 根据GPS信息对样本进行聚合, 提取场景中的历史数据并构建上游分类任务样本集和下游检测任务样本集, 验证了方法的有效性.

2 相关工作 2.1 图像自监督学习算法

在图像处理领域, 目前主流的方法可分为两大类, 即基于Generative的方法和基于Constrative的方法^[3]. 其中基于Generative的方法对输入图像进行掩膜重建, 主要关注模型的重建能力, 如BEiT^[4]通过dVAE和encoder分别对掩膜前后图像编码计算重构损失, MAE^[5]和SimMIM^[6]则直接对输入图像进行掩膜重建. 基于Costrative的方法采用对比学习策略, 使用增强后的图像作为正样本, 其余图像作为负样本进行训练, 如SimCLR^[7–9]使用数据增强处理后的原图像和其余图像分别作为正负样本进行训练, MoCo^[9]则设计了移动平均更新模型权重的方法增加负样本数量. BYOL^[10]设计了不需要负样本的模型范式, 而SimSiam^[11]则使用梯度停止方法进一步去除了滑动编码器, 使模型训练更加简单. 不同于以上两种方法, PIC^[12]则提出了一种单分支结构, 使用滑动窗口、最近负样本采样等策略达到较好的性能.

2.2 目标检测方法

基于深度学习的目标检测方法可分为一阶段、二阶段等算法. 二阶段算法如RCNN^[13]、Fast R-CNN^[14]、Faster R-CNN^[15]等, 将目标检测分为生成proposals、生成物体边框两个阶段. 一阶段目标检测算法如YOLO系列^[16–20]、SSD^[20]等, 直接产生物体的类别概率和位置坐标值. 而上述两种方法都基于Anchor, 带来大量的超参数和复杂的计算量. 诸如CenterNet^[21]、FCOS^[22]等网络则摈弃Anchor, 通过关键点的方式进行检测.

2.3 历史信息聚合方法

视觉导航任务的数据具有背景一致性及交通参与者多样性等特点, 通过特定处理可以预提取出物体特征. 文献[23]提出了使用过去遍历经验指导当前三维感知任务的方法, 提出一种称为“hindsight optimization”的方法, 旨在为当前任务提供先验信息. 它通过重新构建过去路径上的状态和行动序列, 预测当前感知任务中未知物体的位置和属性. 在实际应用中, 该方法使用了一种基于强化学习的方法来优化过去路径的重构, 以使得重构后的路径尽可能地符合当前感知任务的要求. 文献[24]提出了一种自监督学习的方法, 通过学习对抗干扰物来提高单目视觉里程计在城市环境下的鲁棒性. 该方法通过合成训练数据和干扰物识别网络的优化, 能够有效应对城市环境中的干扰, 提高里程计的准确性和稳定性. MODEST方法^[25]结合了瞬时点及自训练方法, 该方法使用多次通过同一区域附近的雷达点云信息计算瞬时点, 聚类移动物体并自训练物体检测器. 整个过程无需标注, 且取得较好的检测精度.

2.4 本文工作

为了实现对图像历史信息聚合并使用自监督学习算法提取特征, 本文贡献如下: 1) 基于历史信息序列, 使用GPS、SIFT特征聚合同一位置的历史图像信息, 计算信息熵以区分前后景, 构建正样本对; 2) 使用SimSiam进行自监督训练, 修改其预测层中的MLP为卷积注意力模块CBAM^[26], 投影层中的MLP为卷积结构, 并更改损失函数, 以提取更丰富的特征; 3) 将自监督训练所得骨干模型在下游分类及检测任务上进行微调. 实验证明, 改进后的算法在下游场景分类任务上可达到20.83%的Top1准确度与66.95%的Top5准确率, 高于原SimSiam算法的17.29%与60.07%. 在nuScenes检测任务上, 改进后的算法可达到40.02%的mAP, 亦高于原始算法的38.88%.

3 算法设计与实现

主流的自监督学习算法大多分为对比式和掩膜重建式两种, 本文提出的方法在对比式自监督的基础上进行. 考虑到本文算法中历史信息聚合后样本的相似性, 以SimSiam为基线模型进行实验. 本节从SimSiam模型介绍, 基于历史信息的图像增强方式, SimSiam模型优化几个部分介绍所做工作.

3.1 SimSiam模型介绍

在自监督学习中, 常使用最大化同一图像不同增强方式所的样本的相似度来训练特征提取器. 而单纯的最大化相似度可能会出现崩溃解(collapse solution), 即无论模型输入什么, 都会得到一个恒定的输出, 从而最小化网络损失. 为了解决这一情况, 诸如MoCo、SimCLR方法使用同一batch中的其余样本当做负样本对, 优化损失函数的设计. 而BYOL则是使用孪生网络和动量编码器的方式代替负对, SimSiam则在其基础上进一步去除了动量编码器, 仅使用梯度停止方法便可得到优秀的结果.

SimSiam模型结构如图2所示, 分为两个分支. 输入图像x经过一系列图像增强后得到两个版本$ {x_1} $, ${x_2}$. 接下来, $ {x_1} $, ${x_2}$通过同一个编码器$f$ (此处为ResNet-50^[27]) 编码提取特征, 得到两个表征向量${h_1}$, ${h_2}$. 然后, 两者会通过同一投影层(包含3个全连接层, 每层2048维且最后一个全连接层中不使用激活函数) 经过处理后会得到新的表征向量${{\textit{z}}_1}$, ${{\textit{z}}_2}$. 最后, 将${{\textit{z}}_1}$输入预测层(包含两个全连接层, 输入输出为2048维, 隐藏层为512维, 输出层中仅由线性层) 映射得到${v_1}$, 计算${v_1}$和${{\textit{z}}_2}$的相似度. 在训练中, 将来自同一图片的$ {x_1} $, ${x_2}$看作正样本对, 因此需要对称地计算${v_2}$和${{\textit{z}}_1}$的相似度, 并将其最大化. 最终的损失函数如式(1), 其中$\mathcal{L}$为总损失函数, 具有对称性. $D\left( {{p_i}, {{\textit{z}}_i}} \right)$为余弦损失, 用于度量两个向量之间的相似度.

$ \begin{array}{*{20}{c}} {\mathcal{L} = \dfrac{1}{2}D\left( {{p_1}, {{\textit{z}}_2}} \right) + \dfrac{1}{2}D\left( {{p_2}, {{\textit{z}}_1}} \right)} \end{array} $

(1)

$ \begin{array}{*{20}{c}} {D\left( {{p_1}, {{\textit{z}}_2}} \right) = - \dfrac{{{p_1}}}{{\|{p_1}\|_2}} \cdot \dfrac{{{{\textit{z}}_2}}}{{\|{{\textit{z}}_2}\|_2}}} \end{array} $

(2)

在SimSiam中, 为了避免崩溃解的出现, 采用了梯度停止的方法, 也即只计算并更新包含预测层通路的梯度, 而不更新另一分支部分权重. 实际训练过程中$ f、g、h $皆更新两次, 损失函数为:

$ \begin{array}{*{20}{c}} {\mathcal{L} = \dfrac{1}{2}D\left( {{p_1}, s.g({{\textit{z}}_2})} \right) + \dfrac{1}{2}D\left( {{p_2}, s.g({{\textit{z}}_1})} \right)} \end{array} $

(3)

3.2 基于历史信息的图像增强方式

SimSiam的正样本生成方式与对比式自监督相同, 都是同一张图片经过一系列不同的图像增强所得到. 而该方式得到的正样本关联信息过多, 模型很容易只学到简单特征, 从而导致下游任务的精度较低. 因此, 如何构建高质量的正样本正是影响自监督模型性能的关键之一.

在视觉导航任务中, 可以天然地依据GPS信息区分出当前图像附近及较远区域的图像集合, 从而构建更精确的正负样本集. 而在正样本中, 多时刻采集到的图像可能含有不同的交通参与者, 从而造成正样本的特征不一致. 大多数情况下, 同一交通参与者不会出现在多个时刻的图像中. 我们可以利用此特性, 统计同一位置在多时刻图像中不相同的区域, 降低其在正样本中的占比, 从而提高正样本一致性.

具体来说, 对同一位置$c$的$N$次遍历, 使用GPS聚合$c$位置前后$r$距离内的采集到的图像, 随后通过SIFT特征匹配筛选出最相近的$N$张. 这$N$张图片可看作同一位置在不同时刻的多次拍摄结果. 对这$N$张图片, 其中每张图片尺寸为$m \times n$, 在$x, y$两个方向以$k$为间距均匀取点, 得到图像上的一组点集$\{ (ak, bk), a \lt m/k, b \lt n/k\} $, 可以对每个点分别计算其为交通参与者的概率. 对点集中的$q$点, 计算以$q$为中心, 周围$r \times r$个点中, 与$q$灰度差异小于$d$的点数量. 对于第$i$次遍历的点$q$与第$j$次遍历的点集${S_j}$, 该值为:

$ \begin{array}{c}{N}_{i}^{j}\left(q\right)=\left|\left\{{p}_{i}\Bigg|\begin{array}{c}dis\left({p}_{i}, q\right) \lt d, \\ {p}_{i}\subseteq {S}_{j}\;\text{and}\;\parallel p-q{\parallel }_{2} \lt r\end{array}\right\}\right|\end{array} $

(4)

若点$q$为静态背景的一部分, 那么该点的局部邻域灰度分布在所有遍历中都应相似. 因此, 可以通过$N_i^j(q)$的分布一致性推测出$q$是否为静态背景点. 为此, 计算:

$ \begin{array}{*{20}{c}} {P\left( {i, q} \right) = \dfrac{{N_i^j\left( q \right)}}{{\displaystyle\mathop \sum \nolimits_{j' = 1}^T N_i^{j'}\left( q \right)}}} \end{array} $

(5)

$P\left( {i, q} \right)$代表每次遍历邻域点的占比, 并计算归一化后的信息熵.

$ \begin{array}{*{20}{c}} {H\left( {q, i} \right) = - \displaystyle\mathop \sum \nolimits_{i = 1}^T \dfrac{{p\left( {i, q} \right)\log \left( {p\left( {i, q} \right)} \right)}}{{\log \left( T \right)}}} \end{array} $

(6)

$ H\left( {q, i} \right) $越大, 意味着$P\left( {i, q} \right)$与均匀分布间的KL散度越小, 也就更接近于均匀分布. 设置一个阈值$t$, 则低于$t$的点可认为是前景点. 这些点将图像划分为一个个$k \times k$的分片, 每个分片对应一个熵值. 为了构建更高质量的自监督训练样本, 设计如下基于历史信息的图像增强方法的算法1.

算法1. 基于历史信息的图像增强算法

1) 输入当前图像$\scriptstyle x$.

2) 根据当前图像对应GPS信息, 加载对应的历史图像列表$\scriptstyle h$.

3) 在图像上以$\scriptstyle k$为步距均匀取点, 根据历史图像信息周围$\scriptstyle r \times r$个点计算每个点对应的归一化信息熵, 差异度小于d的认为是同一类型点.

4) 对每个点, 若归一化信息熵小于阈值$\scriptstyle t$, 说明该点属于前景点, 则将该点$\scriptstyle k$邻域替换为历史图像的均值:

$\scriptstyle x\left[ { - k:k + 1, - k:k + 1} \right] = {\rm avg}\left( {h\left[ { - k:k + 1, - k:k + 1} \right]} \right)$

若归一化信息熵大于t, 说明该点属于背景点, 不做处理.

5) 输出增强后的图像$\scriptstyle x$.

经过上述算法增强后, 图像相似的部分被保留, 不同的部分被均值替代, 从而使样本间具有更高的一致性. 流程结构如图3.

3.3 SimSiam模型改进

视觉导航任务图像集中, 不同场景图像间差异较小(如都有成片的天空与道路), 且交通参与者多, 场景复杂, 使用SimSiam算法学习时无法学习到很好的特征. 因此, 本文将SimSiam的投影层、预测层加以改进, 以提取更优异的骨干特征. 具体包括: 1) 将投影层的MLP改进为卷积注意力模块CBAM, 预测层的MLP改为卷积层, 并通过自适应平均池化下采样到$S \times S$维度; 2) 修改损失函数为负余弦相似度矩阵, 每维取最小计算平均损失. 接下来将具体介绍两部分工作.

SimSiam投影层和预测层皆由全连接层组成, 属于MLP结构, 并且在特征提取前使用自适应平均池化将ResNet-50输出的特征进行了降维, 使得网络整体架构更加适配分类任务. 而对于本文中的对象目标检测任务, 网络需要更多地关注图像的局部特征, 而不是全局特征.

为了解决这一问题, 本文使用卷积注意力模块CBAM构建投影层, 使用卷积层构建预测层, 并将修改损失函数以匹配更多维度的特征向量. 卷积注意力模块如图4所示, 包含连续的通道注意力模块及空间注意力模块. 其中, 通道注意力模块如图5, 将输入特征分别进行全局平均池化及全局最大池化, 再使用共享的MLP进行处理, 最后将所得结果进行相加并使用Sigmoid函数得到特征层每一个通道的权重, 从而使网络关注权重更高的通道信息. 空间注意力模块如图6, 将输入特征沿通道方向进行全局平均池化及全局最大池化, 并通过通道为1的卷积层及Sigmoid函数得到特征向量每个空间位置上的权重, 提升网络对图像局部特征的捕捉能力. 结合这两者, 卷积注意力模块可以更好地建模目标之间的空间关系, 对于目标检测任务更为有效. 同时, 卷积注意力模块可以直接接受骨干网络的多维输出特征, 而不需要降维, 使得特征提取更加充分.

SimSiam中使用的损失函数也需要进行相应的更改. 在原始模型中, 作者计算两个2048维度向量内积空间的余弦值, 以度量两个样本的相似度. 在改进后的模型中, 骨干网络输出特征向量个数为$S \times S$, 无法直接使用负余弦相似度计算. 为此, 本文通过自适应平均池化将特征向量下采样为$N \times N$, 计算两个样本之间的负余弦相似度矩阵, 并对每一维度取最小值. 这代表将一个样本的每个特征向量与另一个样本中最相似的特征向量相匹配. 最后, 将所得值求平均输出, 当作总体的损失.

改进后的SimSiam网络结构如图7, 其中虚线框内为改进后的部分, 包括基于历史信息的增强、投影层、预测层及损失函数.

4 实验分析 4.1 数据集

实验使用nuScenes数据集进行模型训练及验证. nuScenes是一个公开的自动驾驶数据集, 主要在波士顿和新加坡地区进行数据采集. 与大多数以camera为主的公开数据集不同, nuScenes注重多传感器, 提供了每个位姿的传感器数据. 为了保证客观性及泛化性, 实验中对该数据集做了以下处理.

(1) 截取波士顿地区的数据, 共15695张标注样本. 使用GPS数据提取多次经过同一区域片段的样本, 并丢弃少于两个样本的位置.

(2) 在每张标注图像前后各取15张未标注图像组成一个样本, 在地理位置上的采样间隔为2 m, 由GPS数据划分, 用于后续历史信息的处理.

(3) 将提取出的标注图像与非标注图像按场景聚合, 得到227个场景种类, 并划分训练测试集, 用于下游分类任务评估.

(4) 将提取出的标注图像组合, 得到2590张标注图像, 组合为增强部分数据集, 并划分训练测试集, 与整体数据集一起用于下游检测任务评估.

本实验中包括自监督预训练及下游分类任务评估、目标检测任务性能评估几个部分. 在自监督预训练过程中, 将上述得到的所有图像放在一起进行训练; 下游分类任务中, 使用场景分类数据集评估分类任务性能; 目标检测任务中, 分别使用增强部分数据集与全部标注图像数据集进行检测任务性能评估.

4.2 实现细节

实验中使用的硬件平台如表1. 在数据集处理方面, 将$1600 \times 900$的图像下采样为$800 \times 450$. 在图像增强部分, 仿照SimSiam原始增强方法, 将基于历史信息的增强方式、随机裁剪、随机灰度等数据变化组合成增强管道进行不同分支的图像处理, 其中基于历史信息增强方式中取k为3, r为5, d为20, t为0.6. 在网络模型部分, 以SimSiam为主体, 骨干网络采用ResNet-50, 输入为经过裁剪后的$224 \times 224$大小图像, 输出为$batch\_si{\textit{z}}e \times 2048 \times n \times n$维度特征; 投影、预测层改为前文提出的卷积注意力模块及卷积模块; 损失函数改为前文提到的损失函数. 训练时, 设置批次大小为32, 使用衰减权重为0.0001的SGD优化器. 初始学习率大小为0.0625, 在余弦衰减策略下调整学习率, 训练300个轮次.

在分类任务中, 提取预训练得到的骨干网络, 并将最后一层改为全连接层, 输出维度$1 \times class\_num$ (在本任务中该维度为227), 随后使用MMSelfSup框架进行下游ImageNet分类任务评估. 训练时, 设置批次大小为512, 使用LARS优化器, 初始学习率大小为1.6, 在余弦衰减策略下调整学习率, 训练100个轮次.

在目标检测任务中, 提取预训练得到的骨干网络, 使用MMDetection框架搭建Faster R-CNN C4目标检测框架, 进行下游目标检测任务评估. 所用数据集包括增强部分数据集和全部数据, 由于数据集中各种类物体标注框的数量差异较大, 从中选取占比较高的4个种类进行训练, 具体类别及数量如表2.

同时, 为了评估模型在不同目标尺寸上的检测性能, 本文对检测目标大小进行划分, 分别计算3种尺寸目标的AP. 其中, 目标框面积小于32×32像素的为小目标, 大于96×96的为大目标, 之间的为中等目标, 具体数量如表3.

训练时, 设置批次大小为4, 使用衰减权重为0.0001的SGD优化器. 初始学习率大小为0.02, 在余弦衰减策略下调整学习率, 迭代72000个轮次. 其中, 在前100个轮次使用预热策略, 48000及64000轮次时学习率会下降为原来的0.1.

4.3 实验结果 4.3.1 下游分类及检测任务

本文在前述数据集的基础上, 以ResNet-50为骨干网络, 分别对随机初始化、SimSiam预训练、BYOL预训练及本文方法进行训练评估, 结果如表4.

可以看出, 在下游分类任务上, 相较于随机初始化, 经过自监督算法SimSiam提取特征的骨干网络在分类任务上有了明显的性能提升, 达到了17.29%的Top1准确率与60.07%的Top5准确率, BYOL算法同样达到了相似的效果, 这说明了自监督算法的有效性. 且本文提出的算法在更为有效, Top1及Top5准确率更高, 达到了20.83%及66.95%, 证明了所提出模块在分类任务上的有效性. 同时, 在下游检测任务上, 经过本文算法预训练后的模型在增强部分数据集上达到了38.49%的mAP与65.7%的AP50精度, 相较于仅使用随机初始化模型及SimSiam算法和BYOL算法更高; 在全部数据集上也达到了40.02%的mAP, 高于其余方法. 这说明了模型在下游检测任务上的有效性, 即改进后的模型可以提取更丰富的特征, 使下游检测任务精度更高. 在不同尺寸的检测结果上, 本文算法对小尺寸目标更加有效, 在增强部分数据集上达到了22.09%的AP_s, 在全部数据上也达到了15.39%的AP_s, 为所有方法中最高. 这说明模型可以有效地提取图像细节信息, 对小尺寸目标有更好的检测效果. 检测任务中, 部分检测结果如图8.

4.3.2 消融实验

为了进一步验证改进模块的有效性, 本文进行了模块之间的消融实验. 以SimSiam模型作为基线, 分别进行以下改动: (1) SimSiam+GPS: 将图像按照GPS划分, 构建正样本时分别从同类图像中选取不同的两张. (2) SimSiam+历史信息增强: 在(1)的基础上, 将图像按照基于历史信息的方法进行增强. (3) SimSiam+卷积: 将SimSiam的投影和预测层的MLP改为卷积注意力模块和卷积模块. (4) 本文算法: 将本文提出方法全部部署.

消融实验结果如表5, 每个方法在基线的基础上都有所提升. 在分类任务上, 仅使用GPS聚类就达到了70.98%的Top5准确率, 而使用历史信息增强后达到了72.00%, 高于基线的60.07%, 这说明基于GPS信息及历史信息的图像增强效果对骨干网络的特征提取更加有效, 这也与MoCo^[9]中的观点一致, 即有效的数据增强方式可以提升自监督预训练模型的性能. 在检测任务上, 仅使用卷积代替MLP也可以提高下游检测任务的性能, 在全部数据上达到39.74%的mAP与66.20%的AP50精度, 高于基线的38.88%与65.90%, 这说明卷积注意力模块可以提取更多局部信息, 加强了模型的表征能力, 使其提取出的特征在下游检测任务上更加有效. 本文算法则结合了图像增强及模型改进两个部分, 在全部数据上达到了40.02%的mAP, 为所有实验中最高. 在不同尺寸的检测结果上, 仅使用GPS聚类对大目标更加有效, 在增强部分数据集和全部数据集上分别达到了39.16%和58.14%的AP_l. 添加了本文提出模块的方法则对中小目标检测精度更高, 其中, 仅使用卷积可以在全部数据集上分别达到45.02%的AP_m和16.04%的AP_s, 为所有实验中最高. 本文所提出方法则在两种数据集上分别达到22.09%和15.39%的AP_s. 这说明本文所提出的模块对图像的局部特征信息提取较为充分, 在下游任务上对小目标的检测更加有效.

5 结论与展望

本文出一种基于历史信息及改进SimSiam的自监督学习算法, 基于历史信息计算归一化熵值进行数据增强, 以构建更高质量的样本对; 改进投影层的MLP为卷积注意力模块、改进预测层的MLP为卷积模块, 以感知局部特征, 训练更适合下游检测任务的骨干网络; 改进损失函数为最小化负余弦特征矩阵行的平均损失, 使其可以对密集特征向量计算损失. 本文方法在处理后的nuScenes数据集上进行实验, 在分类任务上达到20.83%的Top1分类精度和66.95%的Top5分类精度, 在增强部分数据集的检测任务上达到39.86%的mAP与66.90%的AP50精度, 在全部数据的检测任务上达到40.02%的mAP和66.40%的AP50精度. 且相较于其他方法, 本文方法在小尺寸目标上的检测精度更高, 在增强部分数据集和全部数据集上分别达到了22.09%和15.39%的AP_s. 虽然本文算法在精度上高于现有算法, 但整体仍有不足之处, 如历史信息聚合时无法识别一直静止的物体(如停在路边的车), 且主要关注上游自监督任务, 而对下游检测任务改进较小. 因此, 后续工作将在本文基础上探讨如何区分静态背景与静态交通参与者, 并改进目标检测部分性能, 使其达到更高的检测性能.