YOLO-FFRD: Algoritmo dinámico de detección de peatones a pequeña escala basado en la estructura de fusión y...

Área de la Ciencia:

• La robótica
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• Detectar objetivos pequeños y dinámicos (por ejemplo, peatones) es un desafío para los robots móviles en entornos complejos.
• Los métodos tradicionales de detección de objetos de aprendizaje profundo luchan con objetivos pequeños en robótica móvil.
• Los datos de las cámaras de profundidad pueden ayudar a los robots móviles a identificar y evitar objetivos pequeños.

Objetivo del estudio:

• Desarrollar un algoritmo dinámico de detección de objetivos pequeños para plataformas de robots móviles.
• Mejorar el reconocimiento de objetos para una mejor percepción del entorno en robótica móvil.
• Abordar las limitaciones de los algoritmos existentes en la detección de objetivos pequeños dinámicos.

Principales métodos:

• Propuso un nuevo algoritmo que integra la fusión de características y una estructura de redifusión para la detección de objetivos pequeños.
• Aplicado un algoritmo de reconocimiento de objetos mejorado adaptado para plataformas de robots móviles.
• Se han realizado pruebas y estudios de ablación en diversos entornos, incluida la detección de múltiples clases en el conjunto de datos VisDrone2019.

Principales resultados:

• El método propuesto demostró una mejora del 5% en la precisión en comparación con el algoritmo YOLOv8 original.
• Se logró un aumento de aproximadamente el 3% en mAP0,5 y mAP0,5-0,95.
• Redujeron significativamente la tasa de detección de errores y mostraron una buena capacidad de generalización.

Conclusiones:

• El algoritmo basado en la fusión y redifusión de características mejora la detección de objetivos pequeños para robots móviles.
• El algoritmo exhibe un fuerte rendimiento y generalización, adecuado para la detección de múltiples clases.
• Este avance es crucial para mejorar la percepción ambiental y la seguridad de los robots móviles.