MDSF-YOLO:通过多尺度扩展序列融合网络推进对象检测

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 自主系统 自主系统

背景情况:

• 准确的交通标志检测对于自动驾驶安全至关重要.
• 现有的方法与各种标志尺度,距离和复杂环境作斗争,导致错误阳性和遗漏.
• 当前模型的采样深度增加加剧了检测挑战.

研究的目的:

• 开发一种新的交通标志检测框架,MDSF-YOLO,以克服现有方法的局限性.
• 在交通标志识别中提高本地化和语义信息融合的精度.
• 改进细粒度特征提取,优化目标定位和类别识别.

主要方法:

• 多尺度序列融合 (MSF) 的整合,用于跨细分的协同特征集成.
• 引入一个使用扩展卷积和通道智能重构的扩展智能残余 (DWR) 模块.
• 实施P2检测头用于浅物和完全脱的检测头.

主要成果:

• 在TT100K和CCTSDB2021数据集上,MDSF-YOLO表现优于基准模型,其mAP改进分别为8.8%和2.4%.
• 该模型显著降低了假阳性和泄漏率.
• 在VisDrone2019数据集上验证了基于无人机的物体检测的增强功能.

结论:

• MDSF-YOLO为自动驾驶中的交通标志检测提供了一种高效,强大的解决方案.
• 拟议的框架有效地解决了各种标志尺度和检测距离所带来的挑战.
• 该模型为现实世界的自动驾驶应用程序和类似的物体检测任务提供了有希望的进步.