Un enfoque ligero de detección visual en varias etapas para escenas de tráfico complejas

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• Sistemas de transporte inteligentes

Sus antecedentes:

• La degradación de la imagen en escenas de tráfico (niebla, poca iluminación, oclusión) dificulta el rendimiento de detección de objetos.
• Los sistemas existentes tienen dificultades para identificar de manera robusta los vehículos y los peatones en condiciones adversas.

Objetivo del estudio:

• Desarrollar un marco de detección visual robusto para entornos de tráfico complejos.
• Mejorar la precisión de detección de objetos para vehículos y peatones a pesar de la degradación de la imagen.

Principales métodos:

• Mejora de imagen en varias etapas utilizando ConvIR, CIDNet y una nueva estrategia de espacio de color de intensidad horizontal/vertical.
• Una arquitectura de detección ligera, red de detección ligera impulsada por Mamba con decodificación RT-DETR, que incorpora módulos VSSBlock, XSSBlock y VisionClueMerge.

Principales resultados:

• El método propuesto logró un aumento de 1,0 punto porcentual en mAP@50-90 sobre YOLOv12s en conjuntos de datos de vigilancia del tráfico (0,759 a 0,769).
• Se ha demostrado una adaptabilidad y robustez de despliegue superiores con una complejidad de parámetros y una sobrecarga computacional reducidas.

Conclusiones:

• El marco proporciona una solución eficaz para la detección de objetos en condiciones de tráfico difíciles.
• La integración de la mejora avanzada de la imagen y la arquitectura de detección ligera mejora el rendimiento y la eficiencia del sistema.