在复杂且拥堵的交通环境中，检测微弱目标的技术面临挑战。

简介：
鉴于现有的基于大数据和深度学习的目标检测框架在处理高分辨率、复杂且大规模场景中，识别低分辨率、小目标的准确性存在不足，同时多目标检测的精度和实时性难以兼顾，本文针对这些挑战，对深度学习目标检测框架 SSD（single shot multibox detector）进行了改进。我们提出了一种全新的多目标检测框架DRZ-SSD，并专门为其设计用于复杂大交通场景的多目标检测任务。该检测方法采用从粗到细的策略进行组织，首先训练一个低分辨率的粗略检测器，随后利用高分辨率图像进行下采样，从而获得低分辨率版本。此外，我们设计并实施了一种基于增强学习的动态区域放大网络框架（DRZN），该网络能够动态地放大低分辨率弱小目标区域至高分辨率水平，再利用精细检测器进行目标检测与识别。同时，剩余图像区域则由粗略检测器负责进行检测工作。通过这种方式，显著提升了弱小目标的检测与识别精度以及运算效率。为了进一步优化模型决策能力并避免过度适应数据集的影响，我们采用了模糊阈值法来调整自适应阈值策略，从而有效降低了模型的漏检率和虚警率。实验结果表明，改进后的DRZ-SSD在面对弱小目标、多目标、杂乱背景以及遮挡等具有较高挑战性的场景时均能展现出优异的性能。通过在多个指定数据集上的测试对比分析发现，相比于其他基于深度学习的目标检测框架而言，各类目标的平均识别准确率提升了4%至15%，平均准确率均值提高了约9%至16%，而多目标检测率则提升了13%至34%。更重要的是，该算法实现了38 fps的快速检测识别速率，从而有效地实现了算法精度与运行速率之间的完美平衡。