FRCP-YOLO: Algoritmo de detección de objetos en carretera basado en YOLOv8n mejorado

Área de la Ciencia:

• Visión por Computadora; Inteligencia Artificial; Sistemas Autónomos

Sus antecedentes:

• La detección precisa de objetos en carretera es vital para la seguridad de los vehículos autónomos.; Los modelos actuales enfrentan desafíos con objetos pequeños, baja precisión y poca robustez.

Objetivo del estudio:

• Proponer FRCP-YOLO, un modelo mejorado de detección de objetos en carretera basado en YOLOv8n.; Mejorar la precisión de la detección, reducir la complejidad del modelo y mejorar la robustez, especialmente para objetos pequeños.

Principales métodos:

• Se reemplazó el módulo C2f con el Bloque FasterNet para una extracción de características más rápida.; Se introdujo el módulo R-CA para mejorar el enfoque del objeto y el aprendizaje de características.; Se implementó una rama de alta resolución y un cabezal de detección para la detección de objetos pequeños.; Se utilizó la función de pérdida PIoU v2 para una regresión precisa de los cuadros delimitadores.

Principales resultados:

• FRCP-YOLO logró 0.924 mAP@50 y 0.667 mAP@50-95 en el conjunto de datos KITTI, superando a la línea base en un 5.0% y 6.6%.; Redujo los parámetros del modelo en un 4% en comparación con la línea base.; Demostró un rendimiento superior en el conjunto de datos BDD100K en escenarios complejos como tráfico denso y poca luz.

Conclusiones:

• FRCP-YOLO ofrece una mayor precisión, eficiencia y robustez para la detección de objetos en carretera.; El modelo muestra sólidas capacidades de generalización, lo que lo hace confiable para la conducción autónoma en diversas condiciones.