摘要：针对原始YOLOX在自动驾驶场景中易出现小目标的误检及漏检问题,提出一种改进YOLOX网络模型的检测方法。增加一个检测头,显著提高了小目标的检测精度。用更快的空间金字塔池化(spatial pyramid poolingfast,SPPF)替代传统的空间金字塔池化(spatial pyramid pooling,SPP)结构,并引入了高效通道注意力机制(efficient channel attention,ECA),以增强模型对复杂背景和小目标的识别能力,有效降低了小目标的漏检率。在网络的neck部分,采用深度可分离的卷积方法,进一步提高了计算效率。基于KITTI数据集,设计了一种新的数据增强技术,提高模型的训练稳定性。实验结果表明,优化后YOLOX算法的小目标平均精度APS和平均召回率AR分别提升了0.20和0.097,在小目标检测上取得了显著进步,并大大降低了漏检率。