李琳輝 袁世偉 連靜 顧湯鵬

（1.大連理工大學(xué)，汽車工程學(xué)院，大連 116024；2.大連理工大學(xué)，工業(yè)裝備結(jié)構(gòu)分析國家重點實驗室，大連 116024）

主題詞：車位檢測 協(xié)作注意力 圖神經(jīng)網(wǎng)絡(luò) 輕量化

1 前言

自動泊車作為自動駕駛的基礎(chǔ)應(yīng)用之一，近年來得到了越來越多學(xué)者的關(guān)注[1-2]。自動泊車的實現(xiàn)離不開感知系統(tǒng)的配合，其中，基于車載環(huán)視（Around View Monitor，AVM）系統(tǒng)[3]的停車位檢測系統(tǒng)能夠利用安裝在車身周圍的攝像頭，通過圖像處理算法檢測并識別目標(biāo)車位的標(biāo)記線，從而提取空停車位，在自動泊車任務(wù)中起到了重要作用。

基于視覺的停車位檢測算法主要可以分為傳統(tǒng)的車位檢測算法和基于深度學(xué)習(xí)的車位檢測算法。傳統(tǒng)的車位檢測算法可以分為基于線的停車位檢測算法[4-5]和基于標(biāo)記點的停車位檢測算法[6-7]，但對環(huán)境變化敏感、魯棒性差，不適用于復(fù)雜的現(xiàn)實環(huán)境。

為提高復(fù)雜環(huán)境下車位識別的準(zhǔn)確性，研究人員提出了多種基于深度學(xué)習(xí)的車位檢測算法。Huang等[8]在基于深度卷積神經(jīng)網(wǎng)絡(luò)的停車位檢測算法（Deep convolutional neural networks based Parking-Slot detection approach，DeepPS）[9]的基礎(chǔ)上進(jìn)行優(yōu)化，使用新的卷積神經(jīng)網(wǎng)絡(luò)提取車位標(biāo)記點的方向、坐標(biāo)和形狀，并利用設(shè)計好的幾何規(guī)則過濾和匹配成對標(biāo)記點；Wu 等[10]為解決車位檢測中先驗知識不足的問題，提出了以圓形描述符來回歸停車位頂點坐標(biāo)的方法，并開發(fā)了一個兩階段的模型用于檢測停車位；Chen等[11]在圖神經(jīng)網(wǎng)絡(luò)的使用過程中放棄復(fù)雜且不便的后處理環(huán)節(jié)，以端到端的方式直接對車位進(jìn)行推理，在公共數(shù)據(jù)集PS2.0[9]上得到了優(yōu)異的結(jié)果，然而，由于該算法模型較大，推理速度慢，導(dǎo)致其實時性較差。

基于以上分析，本文綜合考慮車位檢測實時性和有效性的任務(wù)需求，提出一種基于協(xié)作注意力與圖神經(jīng)網(wǎng)絡(luò)的輕量化車位檢測算法：使用改進(jìn)的輕量化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，減少模型訓(xùn)練過程的開銷，加快模型推理速度；使用協(xié)作注意力機(jī)制和圖神經(jīng)網(wǎng)絡(luò)配合的方法，整合多頭注意力的冗余信息，并加強(qiáng)車位標(biāo)記點間的內(nèi)在聯(lián)系；采用端到端的訓(xùn)練方式，不需人工設(shè)定規(guī)則的復(fù)雜后處理過程。最后，將該算法在公共數(shù)據(jù)集PS2.0上進(jìn)行訓(xùn)練，并與當(dāng)前的主流算法進(jìn)行對比。

2 基于協(xié)作注意力和圖神經(jīng)網(wǎng)絡(luò)的車位檢測算法結(jié)構(gòu)

通常，車位可以由4 個標(biāo)記點表示，參考采用定向標(biāo)記點回歸的車位檢測（Parking-Slot detection using Directional Marking-Point Regression，DMPR-PS）[8]方法，本文將車位識別的問題表述為對車位入口線上標(biāo)記點的檢測問題。首先將給定的車位環(huán)視圖像輸入改進(jìn)的MobileNetV3 模型，提取特征圖后，利用深度可分離卷積得到車位標(biāo)記點的位置信息和特征編碼信息，并輸出標(biāo)記點的回歸損失。其次，利用雙線性插值的方法將標(biāo)記點位置信息與特征信息相結(jié)合，輸出標(biāo)記點特征。然后，將得到的標(biāo)記點特征與經(jīng)多層感知機(jī)變換后的位置信息相結(jié)合，構(gòu)成圖神經(jīng)網(wǎng)絡(luò)中的節(jié)點信息，即融合的標(biāo)記點特征V。本文將圖像中的所有車位標(biāo)記點連接，形成全連通的圖，標(biāo)記點間的連接關(guān)系作為圖邊E。根據(jù)圖節(jié)點V和圖邊E的關(guān)系構(gòu)建圖神經(jīng)網(wǎng)絡(luò)G=(V,E)，將其與協(xié)作注意力機(jī)制相結(jié)合，推斷標(biāo)記點間的內(nèi)在聯(lián)系。經(jīng)過協(xié)作注意力與圖神經(jīng)網(wǎng)絡(luò)的處理變換，由車位推理層對輸出的標(biāo)記點特征進(jìn)行判別，判定其能否形成車位，并輸出誤差損失，更新算法的參數(shù)。

本文算法的總體結(jié)構(gòu)如圖1所示。

圖1 基于協(xié)作注意力和圖神經(jīng)網(wǎng)絡(luò)的車位檢測算法總體結(jié)構(gòu)

2.1 特征提取網(wǎng)絡(luò)

為了減少訓(xùn)練以及實際算法部署的開銷，輕量化神經(jīng)網(wǎng)絡(luò)的構(gòu)建尤為重要。本文將協(xié)作注意力與圖神經(jīng)網(wǎng)絡(luò)相結(jié)合探究車位標(biāo)記點的內(nèi)在關(guān)聯(lián)，增加了算法計算復(fù)雜度，故使用輕量化的神經(jīng)網(wǎng)絡(luò)來獲取圖像特征，以提高算法的推理速度。

本文改進(jìn)了MobileNetV3 網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2 所示，其中hswish 表示h-swish 激活函數(shù)。該網(wǎng)絡(luò)保留MobileNetV1 的深度可分離卷積、MobileNetV2 的倒殘差結(jié)構(gòu)以及擠壓和激勵（Squeezeand-Excitation，SE）注意力通道模塊，并利用神經(jīng)結(jié)構(gòu)搜索方法來搜索網(wǎng)絡(luò)的配置和參數(shù)。MobileNetV3[12]的核心模塊為Bneck 模塊，也是構(gòu)成該網(wǎng)絡(luò)的基本模塊。為提高模型的表達(dá)能力，本文將Bneck 模塊中的SE 注意力通道模塊替換為平鋪擠壓和激勵（Tiled Squeezeand-Excite，TSE）注意力通道模塊[13]。

圖2 改進(jìn)的MobileNetV3網(wǎng)絡(luò)結(jié)構(gòu)

TSE注意力通道模塊用平均池化（Average Pooling，AvgPool）層替代了SE 注意力通道模塊的全局平均池化（Global Average Pooling，GAP）層，將輸入的張量劃分成多個大小相等的非重疊塊。此外，TSE 注意力通道模塊采用一維卷積層而非SE 注意力通道模塊的全連接（Fully Connected，F(xiàn)C）層，以縮小非重疊塊的通道，再通過批歸一化（Batch Normalization，BatchNorm）和激活函數(shù)線性整流函數(shù)（Rectified Linear Unit，ReLU）進(jìn)行處理，然后使用一維卷積層將非重疊塊的通道放大。最后，TSE 注意力通道模塊通過最近鄰插值（Nearest Neighbor Interpolation，NNI）的方式將通過激活函數(shù)S 型函數(shù)（Sigmoid Function）的所有非重疊塊拼接在一起，并將其輸出尺寸調(diào)整為輸入張量的尺寸。SE 注意力通道模塊與本文使用的TSE 注意力通道模塊的具體結(jié)構(gòu)如圖3所示。

圖3 SE注意力通道模塊與本文使用的TSE注意力通道模塊結(jié)構(gòu)對比

TSE 注意力相比于SE 注意力機(jī)制，在擠壓過程中使用較小的內(nèi)核進(jìn)行共享，從而減小了操作所需要的內(nèi)存，并在保持精度的同時為終端平臺上的深度學(xué)習(xí)部署提供了優(yōu)化解決方案。

2.2 標(biāo)記點信息編碼

將特征提取網(wǎng)絡(luò)得到的特征圖分別傳遞至標(biāo)記點檢測器和標(biāo)記點編碼器，以提取標(biāo)記點位置信息和特征編碼信息。

標(biāo)記點檢測器由深度可分離卷積層構(gòu)成，輸出特征圖，用于提取車位標(biāo)記點的橫、縱坐標(biāo)x、y以及置信度c的信息；檢測器同時計算出標(biāo)記點回歸損失用于網(wǎng)絡(luò)的迭代計算，從而提高模型的表達(dá)能力。標(biāo)記點編碼器同樣由深度可分離卷積層構(gòu)成，輸出特征圖后，通過雙線性插值的方式對檢測到的數(shù)量為N的車位標(biāo)記點位置進(jìn)行逐點卷積，得到車位標(biāo)記點的特征F。為增強(qiáng)特征的表達(dá)能力，本文參考變換神經(jīng)網(wǎng)絡(luò)（Transformer）[14]位置編碼方式，利用多層感知機(jī)模型將車位標(biāo)記點坐標(biāo)信息(x,y)升維，通過相加的方式與特征F逐位結(jié)合：

式中，Mlp為多層感知機(jī)模型；Fi為F中的第i個初始標(biāo)記點特征；Vi為獲得的第i個標(biāo)記點的融合特征；xi、yi分別為第i個標(biāo)記點的橫、縱坐標(biāo)。

將輸出的融合特征Vi作為協(xié)作注意力與圖神經(jīng)網(wǎng)絡(luò)的輸入，并聯(lián)合標(biāo)記點信息和位置信息進(jìn)行車位推理。

為提高網(wǎng)絡(luò)的推理速度、減少算法訓(xùn)練以及部署的開銷，本文使用深度可分離卷積層[12]替代標(biāo)準(zhǔn)的二維卷積層，用于提取標(biāo)記點位置信息和特征編碼信息。深度可分離卷積[12]主要由2個部分組成，即深度卷積和逐點卷積。深度可分離卷積相比普通卷積縮減了計算總量，假設(shè)輸入特征圖大小為DF×DF×M、輸出特征圖大小為DF×DF×O，卷積核尺寸為DA×DA，其中，DF為特征圖的寬度和高度，M為輸入通道數(shù)量，O為輸出通道數(shù)量。

對于標(biāo)準(zhǔn)的二維卷積，其計算量為：

對于深度可分離卷積，其計算量為：

深度可分離卷積和標(biāo)準(zhǔn)卷積計算量的比值為：

由此可見，在同等條件下，相比于標(biāo)準(zhǔn)卷積，深度可分離卷積能夠大幅降低計算量，可以有效減少模型的參數(shù)數(shù)量，加快實時推理的速度。

2.3 協(xié)作注意力與圖神經(jīng)網(wǎng)絡(luò)

根據(jù)前文中得到的融合特征V，本文構(gòu)建全連接圖神經(jīng)網(wǎng)絡(luò)G=(V,E)。該圖神經(jīng)網(wǎng)絡(luò)中的節(jié)點V表示數(shù)量為N的車位特征標(biāo)記點，圖邊E表示為每個標(biāo)記點間的連接關(guān)系。

為了提高模型的表達(dá)能力，本文用協(xié)作注意力[15]來整合不同頭部之間的信息。協(xié)作注意力相比于標(biāo)準(zhǔn)的多頭注意力[14]，更關(guān)注所有注意力頭捕捉的通用信息，并將這些信息作為共享權(quán)重，從而加強(qiáng)了多個頭部間的作用與理解，并修剪了冗余的參數(shù)，實現(xiàn)了輕量化注意力的功能。

標(biāo)準(zhǔn)的多頭注意力機(jī)制通過直接拼接的方式整合不同注意力：

式中，Q、K、V分別為查詢向量、鍵向量和值向量；X、Y分別為2個不同的輸入矩陣；WQ、WK、WV分別為Q、K、V的權(quán)重矩陣；H(i)為第i個頭的注意力表示；Attention為自注意力機(jī)制；softmax為歸一化指數(shù)函數(shù)，作為激活函數(shù)；Nh為注意力頭的數(shù)量；dk為每個注意力頭中鍵向量的列空間維度；MultiHead為多頭注意力機(jī)制；concat為拼接函數(shù)，將多個注意力頭部的計算結(jié)果在最后一個維度上進(jìn)行拼接；WO為輸出的權(quán)重參數(shù)矩陣。

定義Dk=Nhdk為鍵向量的列空間總維度。引入傳統(tǒng)的注意力機(jī)制可以提高檢測的準(zhǔn)確性和模型的表達(dá)能力，然而這些注意力頭部之間捕捉的信息存在冗余，頭部與頭部間的通用信息較多。

式中，、分別為查詢向量、鍵向量的共享權(quán)重矩陣；為第i個注意力頭的值相量的權(quán)重矩陣；CollabHead為協(xié)作注意力機(jī)制。

其中，、被所有注意力頭部共同學(xué)習(xí)，用于捕捉所有注意力頭間的通用信息，而mi則幫助捕捉各頭部的單獨信息，這種注意力的整合算法作用是：增加頭部注意力的自適應(yīng)表達(dá)性，頭部注意力可以根據(jù)注意力模式的復(fù)雜程度相應(yīng)增加或減少維度；使得參數(shù)的計算更加高效，所有注意力頭共享學(xué)習(xí)和，所以每輪訓(xùn)練只需計算1次。

根據(jù)上述分析，可以推理出標(biāo)準(zhǔn)的多頭注意力機(jī)制在計算注意力評分時，其混合矩陣M的每列對應(yīng)不同的頭部，因此本文設(shè)計了對應(yīng)的混合矩陣用以捕捉所有頭部的通用信息，并對其進(jìn)行壓縮。圖4 所示為標(biāo)準(zhǔn)多頭注意力與本文使用的協(xié)作多頭注意力的對比示意。

圖4 標(biāo)準(zhǔn)注意力機(jī)制與本文采用的協(xié)作注意力機(jī)制

本文構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)由3 層組成，首先，協(xié)作注意力將所有節(jié)點組成的邊的特征信息聚合，然后迭代更新模型，第(l+1)層的第i個節(jié)點的圖節(jié)點特征可以表示為：

式中，[ ||Collab]表示由協(xié)作注意力對所有頭部特征點信息進(jìn)行聚合；為圖節(jié)點i根據(jù)圖網(wǎng)絡(luò)中的一階鄰居節(jié)點Ei所聚合的特征信息。

根據(jù)協(xié)作注意力和圖神經(jīng)網(wǎng)絡(luò)得到的節(jié)點特征，利用車位推理層判斷車位標(biāo)記點對是否形成完整車位。車位推理層將不同的車位標(biāo)記點進(jìn)行連接，并計算其形成入口線的概率，如圖5 所示，車位推理層由一維卷積（Conv1d）層、隨機(jī)失活（Dropout）層和Sigmoid 激活層組成，其中Dropout層僅在訓(xùn)練時使用。

圖5 車位推理層結(jié)構(gòu)

最后，協(xié)作注意力圖神經(jīng)網(wǎng)絡(luò)輸出N×N×5的矩陣，其中N×N表示形成的車位標(biāo)記點對數(shù)，5包括x1、x2、y1、y2、p，其中(x1,y1)和(x2,y2)為車位標(biāo)記點位置坐標(biāo)，p為車位標(biāo)記點形成入口線的概率。

2.4 損失函數(shù)

參考注意力圖神經(jīng)網(wǎng)絡(luò)車位檢測（attentional Graph neural network for Parking-slot detection，Gcn-Parking）算法[11]，為端到端地訓(xùn)練整個神經(jīng)網(wǎng)絡(luò)，本文損失函數(shù)的計算方法為：

式中，lspoint為標(biāo)記點回歸損失；lsline為入口線分類損失；α1、α2分別為lspoint、lsline的系數(shù)。

考慮到標(biāo)記點檢測的準(zhǔn)確性直接影響車位的劃分，本文利用圖神經(jīng)網(wǎng)絡(luò)來探究標(biāo)記點的內(nèi)在聯(lián)系，取α1=100、α2=1，此時檢測效果最優(yōu)。

標(biāo)記點回歸損失lspoint是車位標(biāo)記點預(yù)測與真值間的平方差之和，標(biāo)記點檢測器的輸出層被劃分為S×S大小單元的網(wǎng)格，故其計算過程為：

式中，lsc為置信度的回歸損失；lsxy為標(biāo)記點坐標(biāo)的回歸損失；ci為標(biāo)記點預(yù)測的置信度；(xi,yi)為標(biāo)記點投影的坐標(biāo)；、(,)分別為標(biāo)記點預(yù)測的置信度和標(biāo)記點投影的坐標(biāo)對應(yīng)的真值；1i為對標(biāo)記點投影坐標(biāo)的判斷值，當(dāng)投影坐標(biāo)為真值時，取值為1，否則為0。

入口線分類損失lsline的計算公式為：

式中，lij為第i個和第j個標(biāo)記點形成車位入口線的預(yù)測概率；為lij對應(yīng)的真值。

3 試驗結(jié)果與分析

3.1 數(shù)據(jù)集與試驗環(huán)境

本文在PS2.0[9]的公共環(huán)視圖像數(shù)據(jù)集上評估所提出的停車位檢測算法。PS2.0 數(shù)據(jù)集由9 827 幀訓(xùn)練圖像和2 338幀測試圖像組成，分別包含9 476個停車位和2 168個停車位。根據(jù)DMPR-PS[8]方法，選擇7 780幀圖像構(gòu)成訓(xùn)練集、2 290幀圖像作為測試圖像。PS2.0數(shù)據(jù)集中的圖像采集自不同環(huán)境條件下的典型室內(nèi)外場景，分辨率為600像素×600像素，對應(yīng)10 m×10 m的現(xiàn)實地面區(qū)域。

本文在Ubuntu18.04 操作系統(tǒng)、GeForce RTX 3060顯卡，Pytorch 10.0 框架環(huán)境下進(jìn)行試驗。訓(xùn)練批量大小為16，訓(xùn)練次數(shù)為200輪。本文訓(xùn)練時選用的學(xué)習(xí)率為0.003、權(quán)重衰減率為0.01、優(yōu)化器為Adam_Onecycle，圖6所示為PS2.0數(shù)據(jù)集下檢驗后的可視化圖片。

圖6 PS2.0數(shù)據(jù)集下檢驗后的可視化圖片

3.2 試驗指標(biāo)設(shè)置

本文對算法進(jìn)行了綜合評估，包括推理效率和檢測有效性。推理效率指標(biāo)包括每幅圖片推理時間和模型大小，檢測有效性指標(biāo)包括精確率、召回率和微觀F1（Micro-F1），其中Micro-F1 為本文引入的參數(shù)，同時兼顧了分類模型的精確率和召回率，最大值為1，最小為0。

精確率P為正確預(yù)測的正樣本數(shù)量與預(yù)測為正樣本的全部樣本數(shù)量的比值，召回率R為正確預(yù)測的正樣本數(shù)量與所有正樣本數(shù)量的比值：

式中，TP為預(yù)測為正的正樣本數(shù)量；FP為預(yù)測為正的負(fù)樣本數(shù)量；FN為預(yù)測為負(fù)的正樣本數(shù)量。

對于本文的二分類問題，Micro-F1的計算方法為：

3.3 試驗結(jié)果

使用PS2.0 中的測試集對本文的車位檢測算法進(jìn)行測試，并與當(dāng)前車位檢測的主流算法進(jìn)行比較，結(jié)果如表1所示。

表1 PS2.0數(shù)據(jù)集下的有效性對比結(jié)果 %

從表1中可以看出，本文提出的車位檢測算法在召回率和Micro-F1 指標(biāo)上優(yōu)于當(dāng)前的主流算法，這表明利用協(xié)作注意力和圖神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可以在復(fù)雜環(huán)境下學(xué)習(xí)并提取圖像中車位的更多特征。其中：前3種算法為利用圖像特征檢測車位的傳統(tǒng)算法，其準(zhǔn)確度和召回率均低于基于深度學(xué)習(xí)的算法；DeepPS、DMPR-PS、基于深度學(xué)習(xí)的空車位檢測方法（Vacant Parking Slot detection method based on deep learning，VPS-Net）、車位檢測方法（Parking Slot Detection，PSDet）為二階段檢測算法；用于實時停車位檢測的選擇修剪全卷積網(wǎng)絡(luò)（Select and Prune the Fully Convolutional Networks for real-time parking slot detection，SPFCN）、文獻(xiàn)[18]算法、Gcn-Parking 和本文算法為端到端的單階段檢測算法。本文算法既保留了單階段神經(jīng)網(wǎng)絡(luò)的優(yōu)點，又省去了復(fù)雜的后處理操作，同時提升了檢測的有效性。相比于傳統(tǒng)算法中精度最高的基于學(xué)習(xí)的車位檢測算法（Parking-Slot Detection based on Learning，PSD_L），本文準(zhǔn)確率提高了1.31 百分點，召回率提高了12.54 百分點；相比于單階段算法中精度最高的Gcn-Parking，本文精確率提高了0.19 百分點，召回率提高了0.08 百分點；相比于二階段算法中精度最高的VPS-Net，本文精確率提高了0.12百分點，召回率提高了0.19百分點。

考慮到一些算法未提供模型大小與推理速度，選取部分算法進(jìn)行比較，如表2 所示，相比于目前優(yōu)秀的車位檢測算法VPS-Net 和Gcn-Parking，本文算法的模型大小分別為前者的34.2%、后者的16.63%，每幀圖像的運行時間與前者相比縮短了9.95 ms，與后者相比縮短了15.2 ms?？梢姳疚乃惴ㄏ啾扔谄渌囄粰z測算法模型具有參數(shù)數(shù)量少、運行時間短、推理速度快的優(yōu)點，在實際部署時具有一定的優(yōu)勢。

表2 PS2.0數(shù)據(jù)集下的推理效率對比結(jié)果

3.4 消融試驗

為驗證修改后網(wǎng)絡(luò)的優(yōu)越性，本文進(jìn)行了對比試驗，在本文算法的總體架構(gòu)下，將特征提取網(wǎng)絡(luò)替換為主流的特征提取網(wǎng)絡(luò)和一些輕量化的特征提取網(wǎng)絡(luò)模型，用于進(jìn)行比較。本文試驗以模型復(fù)雜度、精確率、召回率和Micro-F1 作為評價指標(biāo)，其測試結(jié)果如表3 所示。

表3 不同特征提取網(wǎng)絡(luò)的性能指標(biāo)比較

由表3可知，本文修改后的骨干網(wǎng)絡(luò)不僅達(dá)到了較高的精確率和召回率，同時模型參數(shù)數(shù)量少、運行速度快，優(yōu)于其他方案。

為了研究本算法的各改進(jìn)部分在整體算法中發(fā)揮的作用，利用消融試驗對整體算法進(jìn)行研究。以MobileNetV3 特征提取網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，逐步加入深度可分離卷積、協(xié)作注意力機(jī)制，以及TSE 注意力機(jī)制，對方案優(yōu)化改進(jìn)，并在PS2.0 數(shù)據(jù)集上進(jìn)行檢測試驗，結(jié)果如表4所示。

表4 消融試驗結(jié)果

當(dāng)損失函數(shù)選取不同的系數(shù)時，得到的檢測結(jié)果如表5所示。

表5 不同損失系數(shù)的結(jié)果

由表4和表5可知，本算法經(jīng)過消融試驗后，通過對算法的不斷優(yōu)化，在實時性方面，每幀圖像處理時間為10.1 ms，并將模型大小縮減至77.4 MB，在有效性方面，達(dá)到了99.75%的精確率、99.50%的召回率和99.62%的Micro-F1指標(biāo)，有效地平衡了算法的實時性和準(zhǔn)確性。

4 結(jié)束語

本文提出了一種基于協(xié)作注意力和圖神經(jīng)網(wǎng)絡(luò)的輕量化車位檢測算法，利用協(xié)作注意力和圖神經(jīng)網(wǎng)絡(luò)加深了車位標(biāo)記點間的內(nèi)在聯(lián)系，保證了車位識別的精確率和召回率，同時，針對計算繁瑣、模型參數(shù)數(shù)量多的卷積神經(jīng)網(wǎng)絡(luò)算法和圖神經(jīng)網(wǎng)絡(luò)算法在實車部署上的困難，使用輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，并對協(xié)作注意力和圖神經(jīng)網(wǎng)絡(luò)算法加以改進(jìn)，最后，在PS2.0 車位數(shù)據(jù)集上進(jìn)行了對比試驗和消融試驗，驗證了算法的可行性。結(jié)果表明，本文算法優(yōu)于當(dāng)前的大部分主流車位檢測算法，滿足更快、更準(zhǔn)確的檢測需要，符合時間緊迫的自動泊車任務(wù)要求。