摘要:自动驾驶领域主流目标检测算法对小目标检测效果差，给行车安全带来了威胁，对单阶段无描框CenterNet算法进行改进以解决此问题。首先，替换原主干网络为具有分裂注意力机制的ResNeSt50网络，并将ReLU激活函数升级为FReLU，以极少的额外计算开销强化了特征提取效果；然后提出轻量级网络PASN融合不同尺度的语义特征，并在浅层特征输入端引入空间池化金字塔(SPP)模块强化小目标信息的表达；最后在Kitti数据集进行随机多尺度输入训练。验证集结果表明改进后算法的FPS达到37.7满足实时性要求，小目标检测精度较原算法提12.9%，平均检测精度提升13.9%，同时检测速度与精度均高于主流算法Yolov4；在实车上每秒可检测31帧图像，为自动驾驶技术发展提供有力支持，具有工程应用价值。