AMSA-YOLO: Detección de objetos en tiempo real con mecanismo de atención multiescala adaptativa

Área de la Ciencia:

• Visión por computadora
• Aprendizaje automático
• Aprendizaje profundo

Sus antecedentes:

• La detección de objetos es crucial para aplicaciones como la conducción autónoma y la vigilancia.
• La serie de algoritmos YOLO (You Only Look Once) destaca en la detección de objetos en tiempo real en una sola etapa.
• Los modelos YOLO existentes tienen dificultades para detectar objetos pequeños y en escenas densas.

Objetivo del estudio:

• Mejorar la precisión de la detección de objetos, especialmente para objetos pequeños y densos.
• Introducir un algoritmo YOLO mejorado llamado AMSA-YOLO (Adaptive Multi-Scale Attention YOLO).

Principales métodos:

• Desarrolló AMSA-YOLO incorporando módulos conscientes de la escala.
• Integró mecanismos de atención espacial adaptativa y atención de canal adaptativa.
• Evaluó el rendimiento en conjuntos de datos de referencia como COCO, VisDrone y CrowdHuman.

Principales resultados:

• AMSA-YOLO logró una mejora del 2,3% en mAP@0,5:0,95 sobre YOLOv8s en COCO.
• Demostró una mejora del 3,6% en la AP de detección de objetos pequeños.
• Mantuvo una velocidad de inferencia competitiva con solo una disminución del 10,3%.

Conclusiones:

• AMSA-YOLO mejora significativamente la precisión de la detección de objetos, especialmente para objetos pequeños.
• El mecanismo de atención multiescala adaptativa demuestra ser eficaz en escenarios de detección desafiantes.
• El método propuesto ofrece una solución práctica y eficaz para tareas de detección de objetos en el mundo real.