SMA-YOLO: Un nuevo enfoque para la detección de vehículos en tiempo real en dispositivos de borde

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• La gestión inteligente del tráfico y la conducción autónoma dependen en gran medida de la detección precisa del vehículo.
• Los modelos actuales de aprendizaje profundo luchan con la velocidad, el costo computacional y la precisión en entornos complejos, lo que dificulta la implementación del borde.

Objetivo del estudio:

• Desarrollar un modelo de detección de vehículos ligero y eficiente para aplicaciones en tiempo real en dispositivos de borde.
• Mejorar la velocidad y precisión de detección de los modelos YOLOv7 existentes.

Principales métodos:

• SMA-YOLO propuesto, que integra el backbone de MobileNetV3, la atención de SimAM, la activación de ACON y la pérdida de SIoU con YOLOv7.
• Modificaciones del modelo implementadas para reducir la carga computacional y mejorar la extracción de características.

Principales resultados:

• SMA-YOLO logró reducciones significativas en el tamaño del modelo, los requisitos computacionales y los parámetros.
• Demostró una velocidad de detección mejorada y mantuvo una alta precisión en el conjunto de datos UA-DETRAC.

Conclusiones:

• SMA-YOLO ofrece una solución factible para el despliegue de una detección eficiente de vehículos en sistemas integrados.
• El modelo propuesto equilibra el rendimiento y la eficiencia de los recursos para los sistemas de transporte inteligentes en tiempo real.