一个结构优化和高效的轻量级物体检测模型用于自动驾驶

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:

• 对象检测对于安全关键的系统,如自动驾驶,至关重要.
• 当前最先进的探测器往往是资源密集型的,对效率构成挑战.
• 在对象检测中平衡精度和计算成本仍然是一个重要的研究问题.

研究的目的:

• 提出FE-YOLOv8,这是YOLOv8 (你只看一次版本8) 的轻量级和有效的变体.
• 为了解决资源有限的对象检测中的准确性-效率权衡问题.
• 为改进轻量级物体探测器设计引入建筑创新.

主要方法:

• 在脊椎和部引入了带有部分卷积 (PConv) 的C2f-Faster模块.
• 开发了一个使用高效多尺度卷积 (EMSConv) 的EfficientHead检测头.
• 在SODA-10M和BDD100K数据集上进行了切除和比较实验.

主要成果:

• 与基线YOLOv8.8相比,FE-YOLOv8实现了参数数量的减少31.09%,计算成本下降43.31%.
• 在SODA-10M数据集上保持可比或优于平均平均精度 (mAP).
• 在BDD100K数据集上表现出强大的泛化性能.

结论:

• FE-YOLOv8成功地减轻了对象检测中的准确性-效率权衡.
• 拟议的架构改进为设计高效的轻量级物体探测器提供了宝贵的见解.
• FE-YOLOv8为在资源有限的安全关键应用中部署物体检测提供了一个有前途的解决方案.