1.一种考虑不确定性的自动驾驶概率目标检测方法,其特征在于:包括如下步骤:
步骤1:基于MC‑Drop的概率目标检测模型构建,将MC‑Drop方法与YOLOv5模型结合,并为MC‑Drop方法引入缓存机制;改进后的概率目标检测模型分为两部分:第一部分为首个Dropout层之前的网络Cache,第二部分为首个Dropout层及其之后的网络Last;通过在图片传入M‑YOLOv5模型后,模型运行一次Cache网络,运行十次Last网络进行采样,通过计算平均值得到可视化的检测结果,通过十次采样结果计算预测框坐标的协方差矩阵代表预测框位置的不确定程度;
步骤2:基于PDQ的概率目标检测模型质量评估,通过检测器输出的各个类得分计算标签不确定性质量,通过步骤一输出的协方差矩阵计算预测框位置不确定性质量,两者结合可以计算出PDQ得分;
步骤3:概率目标检测模型敏感性分析,对Dropout层数量、添加位置及Dropout概率进行敏感性分析;首先保持Dropout概率不变,对Dropout层数量以及添加位置进行敏感性分析;其次保持添加Dropout层位置不变,对Dropout数量以及Dropout率进行敏感性分析。
2.根据权利要求1所述的一种考虑不确定性的自动驾驶概率目标检测方法,其特征在于:所述步骤1中,以YOLOv5‑6.0模型为基础,向其中添加Dropout层以引入随机性;YOLOv5模型有三级检测头对应三种不同的分辨率,公开的M‑YOLOv5算法在YOLOv5每级检测头的C3模块后加入一个Dropout率为10%的Dropout层;在每级检测头的末尾加入Dropout层的方式与在骨干网络或者检测头中间模块增加Dropout相比,能够保证模型有一个完整的采样过程,从而保证模型预测的准确性;同时减少Dropout层之后的网络结构,能够降低采样过程消耗的时间,保证模型的实时性;在每级检测头之后都加入Dropout层而不是在某一级检测头之后加入能够保证三个检测头得到的采样结果均表现出由于引入Dropout层带来的随机性,防止出现检测头因距离Dropout层较远受到的影响过小的情况出现;YOLOv5多个模型之间有着同样的总体结构,不同的网络深度,通过修改模型里的参数改变每个模块的数量改变网络的深度,在每个模块后面加入Dropout层而不是模块中,使得改进后的模型对每个YOLOv5模型都具有适应性。
3.根据权利要求1所述的一种考虑不确定性的自动驾驶概率目标检测方法,其特征在于:所述步骤2中,通过步骤一构建的概率目标检测模型并设置参数使其采样十次获得预测框坐标的协方差矩阵和各个类的平均得分;通过预测框的协方差矩阵、真实边界框与物体真实的分割掩码可以获得概率目标检测模型的空间质量,通过各个类的平均得分与该物体的真实类标签可以获得标签质量;将空间质量与标签质量结合可以获得pPDQ,最终通过pPDQ与该帧数下检测器检测到的真阳性、假阴性、假阳性的个数获得PDQ得分;该得分越高代表概率目标检测器的概率质量越高。
4.根据权利要求1所述的一种考虑不确定性的自动驾驶概率目标检测方法,其特征在于:所述步骤3具体包括:
(1)Dropout层位置的敏感性分析:为了不破坏YOLOv5有效的采样过程,该子步骤只在检测头处的不同模块之后的位置进行敏感性分析;为了探究Dropout层位置对各项指标的影响,该子步骤固定Dropout层的数量与Dropout概率,向原模型中加入一层Dropout层,并对三种Dropout率进行试验;
(2)Dropout层数及概率敏感性分析:该子步骤分别对不同的Dropout层数(一层、两层和三层)在不同的Dropout概率下进行了测试。该子步骤在测试一层Dropout时,在第一个检测头的C3模块后加入Dropout层;在测试两层Dropout时,在第一个及第二个检测头的C3模块之后加入Dropout层;在测试三层Dropout时,第一个第二个以及第三个检测头的C3模块后加入Dropout层。