轻量级头盔目标检测算法与效率双级路由注意力相结合.

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 道路交通安全 道路交通安全

背景情况:

• 使用头盔对于减少两轮车事故伤害至关重要.
• 现有的头盔检测系统在小目标和设备限制方面扎,导致错过或错误的检测.

研究的目的:

• 开发一个改进的头盔检测网络,FB-YOLOv7,解决现有模型的局限性.
• 提高在现实交通场景中检测头盔的准确性和效率.

主要方法:

• 使用YOLOv7-tiny作为基础,并引入了增强的双级路由注意力机制.
• 实现了AFPN框架与非对称的自适应特征融合和EfficiCIoU损失以提高准确性.

主要成果:

• FB-YOLOv7实现了87.2%和94.6%的平均平均精度 (mAP@.5).
• 证明了高效率,每秒129和126的率 (FPS).
• 在精度,小目标灵敏度和效率方面表现优于其他六个检测网络.

结论:

• FB-YOLOv7显著提高了头盔检测性能,特别是在小型目标上.
• 该网络提供了一种实用和有效的解决方案,通过更好的头盔合规监测来提高道路安全.