一个复杂的路边物体检测模型,基于多尺度特征金字塔网络.
Zhihao Zheng1, Jianguang Zhao1, Jingjing Fan2
1College of Information Engineering, Hebei University of Architecture, 13 Chaoyang West Street, Zhangjiakou, 075000, People's Republic of China.
Scientific reports
|May 9, 2025
概括
本研究介绍了YOLO-RC,这是一个增强的YOLOv8网络用于道路交通物体检测,显著提高了对封闭和小目标的准确性. 它在基准数据集上实现了卓越的性能,超过了现有的方法.
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:
- 复杂的道路环境给物体检测带来了挑战,原因是密集的遮蔽和小目标,导致错误阳性和错误检测.
- 现有的物体检测模型经常在复杂的交通场景中难以准确地定位和识别物体.
研究的目的:
- 开发一个先进的道路交通物体检测网络,YOLO-RC,克服当前模型在处理堵塞和小目标方面的局限性.
- 在YOLOv8架构中增强特征提取,融合和注意力机制,以提高检测准确度.
主要方法:
- 拟议的YOLO-RC网络通过MBConv模块来增强YOLOv8骨干,以改善特征提取.
- 一个新的C3FB结构取代了子中的C2f模块,减少了参数并提高了准确性.
- 权重双向特征金字塔网络 (BCFPN) 和CBAM模块集成,用于优越的特征融合和注意力.
主要成果:
- 在DAIR-V2X-I数据集上,YOLO-RC实现了91.1%的mAP50,改善了4.5%,回忆率为81.8%.
- 在UA-DETRAC数据集中,YOLO-RC达到了94.8%的mAP50和77.9%的MAP50-95.
- 与主流物体检测方法相比,该算法显示出更高的检测准确性.
结论:
- YOLO-RC有效地解决了道路交通物体检测方面的挑战,特别是与封闭和小目标.
- 增强的网络架构在检测准确性和泛化能力方面提供了显著的改进.
- 拟议的模型代表了智能交通系统和自动驾驶感知方面的重大进步.
