如图8所示，实际高速公路场景数据集和训练用的样本数据集之间是有很大的不

如图8所示，实际高速公路场景数据集和训练用的样本数据集之间是有很大的不同，尽管本文算法增加了域自适应组件但是对于小尺度的目标检测效果仍然不是很理想，这是由于Faster R-CNN模型中，虽然引入了RPN结构能够提取到多尺度的车辆特征图，但是由于RPN只能接收卷积层网络最后一层提取的特征，这样就严重降低了模型对小尺度目标的检测精度。对于这个问题在第五章基于江西省实际高速公路实例分析中会提出解决方案。在车辆相对较少的场景中和天气环境良好环境下，对于大尺度的车辆目标本文提出的算法基本上可以正确检测出来。总体来说，本文提出的算法基本解决了由于数据集样本不够，存在域差异性的问题和取代了传统车辆检测算法中手动提取特征，使得模型检测的精度有一定的提升，因此本文提出的检测算法在总体上表现良好。

如图8所示，实际高速公路场景数据集和训练用的样本数据集之间是有很大的不同，尽管本文算法增加了域自适应组件但是对于小尺度的目标检测效果仍然不是很理想，这是由于Faster R-CNN模型中，虽然引入了RPN结构能够提取到多尺度的车辆特征图，但是由于RPN只能接收卷积层网络最后一层提取的特征，这样就严重降低了模型对小尺度目标的检测精度。 对于这个问题在第五章基于江西省实际高速公路实例分析中会提出解决方案。 在车辆相对较少的场景中和天气环境良好环境下，对于大尺度的车辆目标本文提出的算法基本上可以正确检测出来。 总体来说，本文提出的算法基本解决了由于数据集样本不够，存在域差异性的问题和取代了传统车辆检测算法中手动提取特征，使得模型检测的精度有一定的提升，因此本文提出的检测算法在总体上表现良好。

As shown in Figure 8, there is a big difference between the actual Expressway scene data set and the sample data set used for training. Although the algorithm in this paper adds the domain adaptive component, it is still not ideal for small-scale target detection, because fast In the r-cnn model, although the RPN structure is introduced to extract multi-scale vehicle feature map, the RPN can only receive the features extracted from the last layer of the convolutional layer network, which seriously reduces the detection accuracy of the model for small-scale targets. For this problem, the fifth chapter will propose solutions based on the actual Expressway case analysis in Jiangxi Province. The algorithm proposed in this paper can basically detect large-scale vehicle targets in a relatively small number of scenes and a good weather environment. Generally speaking, the algorithm proposed in this paper basically solves the problem of domain difference due to the lack of data set samples and replaces the manual feature extraction in the traditional vehicle detection algorithm, which improves the accuracy of model detection to a certain extent. Therefore, the detection algorithm proposed in this paper performs well in the whole body.<br>