基于OL-IoU的自适应性遮蔽物体检测算法
Baicang Guo1,2, Hongyu Zhang1, Huanhuan Wang1
1School of Vehicle and Energy, Yanshan University, Qinhuangdao, 066004, China.
Scientific reports
|November 12, 2024
概括
这项研究介绍了OCC-YOLOX,这是一个改进的对象检测算法,用于自动驾驶. 它在复杂,封闭的交通场景中提高了准确性和实时性能.
科学领域:
- 计算机视觉 计算机视觉
- 自主驾驶系统 自主驾驶系统
- 机器学习 机器学习
背景情况:
- 自动驾驶技术在检测交通目标方面需要高精度,特别是在封闭的环境中.
- 现有的对象检测算法在复杂的封闭场景中难以准确和实时性能.
- 解决这些局限性对于智能交通系统的发展至关重要.
研究的目的:
- 提出一个改进的物体检测算法,OCC-YOLOX,以提高准确性和实时性能,用于自动驾驶中隐藏的目标.
- 为了利用适应性可变形卷积,协调注意力,重叠 IoU (OL-IoU) 损失和快速空间金字塔聚合 (快速 SPP).
- 在各种数据集和复杂的封闭场景上验证算法的有效性.
主要方法:
- 开发了名为OCC-YOLOX的改进的YOLOX算法,结合了自适应可变形卷积.
- 整合了注意力协调机制,以加强对被封闭的目标的关注.
- 叠加 IoU (OL-IoU) 损失和快速空间金字塔聚合 (Fast SPP) 已被引入,以提高准确性和降低计算复杂性.
主要成果:
- 在合并的公共数据集上,OCC-YOLOX在准确度 (2.76%),回忆 (1.25%) 和平均精度 (1.92%) 方面取得了改进.
- 该算法在KITTI,CityPersons和BDD100K数据集上进行了验证,以及自行收集的封闭数据.
- 实验结果显示,OCC-YOLOX的性能优于现有的主流算法,特别是在复杂的闭塞场景中.
结论:
- 在具有挑战性的自动驾驶环境中,OCC-YOLOX显著提高了对象检测的准确性和效率.
- 提出的方法有效地解决了当前算法在处理封闭目标方面的局限性.
- 这项研究为改善智能交通系统对象检测提供了宝贵的见解.
