增强YOLO用于封闭的车辆检测,集成直角注意力和密集物体排斥

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 在复杂的交通中,由于背景物体和其他车辆的遮蔽,物体检测性能显著下降.
• 现有的方法在部分或完全封闭的场景中难以准确检测车辆.

研究的目的:

• 为封闭车辆检测 (OVD) 提出一种有效的方法和数据集.
• 为了提高对象探测器在具有屏蔽性的挑战性现实交通环境中的性能.

主要方法:

• 开发了YOLO-OVD,结合了用于道特征提取的组合直角注意 (GOA) 模块.
• 在损失函数中实现了空间注意力和基于CIoU的排斥项,以改善本地化.
• 利用基于知识的拉普拉斯金字塔来实现更快的训练融合和详细的特征保留.

主要成果:

• 在已建立的封闭车辆检测数据集中,YOLO-OVD显著优于14个代表性物体检测器.
• 与YOLOv5基线相比,取得了显著的改善:精度为4.7%,AP@0.5为3.6%,AP@0.5:0.95.9%为1.9%.
• 证明了对不受阻碍的车辆区域和在密集交通中优越的定位的增强关注.

结论:

• 拟议的YOLO-OVD方法有效地解决了复杂的交通环境中车辆堵塞的挑战.
• 新的GOA模块和集成技术有助于在封闭车辆检测方面实现最先进的性能.
• 开发的数据集和模型为推进强大的物体检测研究提供了宝贵的资源.