Autotrinet YOLO三重注意力框架,用于强大的交通标志检测
Wei-Yi Dong1, Ya-Xuan Chen1, Guang-Yu Zou2
1Dalian Leicester Institute, Dalian University of Technology, Dalian, 124221, China.
Scientific reports
|November 21, 2025
概括
本研究介绍了AutoTriNet-YOLO,这是一个新的交通标志检测框架,使用三重注意力来提高准确性和效率. 它为智能运输系统实现了最先进的结果.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 智能运输系统 智能运输系统
背景情况:
- 交通标志检测 (TSD) 对智能交通系统至关重要,但面临着诸如小目标和环境变化等挑战.
- 现有的深度学习方法,包括YOLO,在各种场景中努力平衡准确性,效率和稳定性.
研究的目的:
- 提出AutoTriNet-YOLO,这是一个通过整合三重注意力,动态特征融合和自适应计算来增强TSD的新型框架.
- 解决当前TSD方法在准确性,计算效率和稳定性方面的局限性.
主要方法:
- 引入了TriplePathBlock模块,并行对卷积块注意力 (CBAM),非局部块和Lite变压器进行多级上下文依赖.
- 实现了动态融合门,以适应注意力路径权重和选择性插入机制来修剪冗余操作.
主要成果:
- 在交通标志数据集上实现了最先进的性能,86.6%的mAP@50和65.3%的mAP@50-95.
- 超越了现有的方法,如TSD-YOLO和EDN-YOLO,除去的研究证实了组件的贡献,特别是局部特征的CBAM.
结论:
- 通过统一不同的注意力机制,AutoTriNet-YOLO提供了一个可扩展的,计算优化的架构,用于强大的TSD.
- 该框架的实时效率使其适合在自动驾驶系统中进行边缘部署.
