RFCS-YOLO:在恶劣天气条件下通过感应场增强和交叉尺度融合进行目标检测算法

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 在恶劣的天气条件下检测交通目标,由于复杂的背景和可见度差,造成了重大挑战.
• 现有的模型往往在缺失和错误检测交通目标方面扎,影响安全和效率.

研究的目的:

• 开发一个先进的物体检测模型,以在恶劣天气下稳定地识别交通目标.
• 在具有挑战性的环境条件下提高交通检测系统的准确性,精度和回忆.

主要方法:

• 提出了感受场增强和跨度融合,你只看一次 (RFCS-YOLO) 模型.
• 引入了一种高效特征提取模块 (EFEM),以增强受体场和多尺度特征提取.
• 实现了带有感应场坐标注意力 (RFCA) 的交叉尺度融合模块 (CSF),以实现有效的信息融合和噪声过.
• 开发了一种新的焦点-最小点距离交叉点在欧盟 (F-MPDIoU) 损失函数,以加快融合并减少检测错误.

主要成果:

• 在DWAN数据集上,RFCS-YOLO的平均平均精度 (mAP@0.5) 为86.5%,比YOLOv7.2提高了4.2%.
• 精度和回忆分别提高了8.3%和1.4%,检测速率为每秒68 (FPS).
• 对SODA10M自动驾驶数据集的概括实验显示,mAP@0.5的3.6%改善,达到56.7%.

结论:

• 在恶劣天气条件下,RFCS-YOLO模型在检测交通目标方面表现出卓越的性能.
• 拟议的EFEM,CSF和F-MPDIoU组件有效地解决了特征提取,融合和损失计算方面的局限性.
• 该模型具有强大的概括能力,使其适合于现实世界的自动驾驶应用.