相关实验视频
Updated: Feb 28, 2026
06:48
A Multimodal Wide-Field Fourier-Transform Raman Microscope
Published on: December 30, 2025
564
MMPFNet:基于超图机制和注意力增强的FMCW雷达的新型轻量级道路目标检测方法
Dongdong Huang1,2,3, Dawei Xu3, Yongjie Zhai3
1College of Information and Electronic Engineering, Liming Vocational University, Quanzhou 362000, China.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了MMPFNet,这是一种轻量级的深度学习模型,用于使用毫米波雷达检测道路目标. MMPFNet显著提高了汽车先进驾驶辅助系统的准确性和效率.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 汽车工程 汽车工程
背景情况:
- 在先进的驾驶辅助系统 (ADAS) 和智能运输系统 (ITS) 中,道路目标检测至关重要.
- 毫米波雷达提供全天候能力和丰富的空间数据,克服可见光传感器的局限性.
- 雷达数据的挑战包括抽象表示和重叠特征,需要专门的检测模型.
研究的目的:
- 利用毫米波雷达数据,为汽车应用开发一种轻量级且准确的道路目标检测模型.
- 为了解决77 GHz频调制连续波 (FMCW) 雷达的范围角度地图数据的独特特征.
- 为了提高现有的物体检测框架的性能,如YOLOv13用于基于雷达的检测.
主要方法:
- 提出了MMPFNet,这是延伸YOLOv13的轻量级模型,结合了带有注意力增强的超图机制.
- 引入了M-DSC3k2模块,以提高小目标的注意力,以及专门的检测头,以提高准确性和概括性.
- 定制了一个轻量级的PPLConv模块和集成的焦点扩展-IoU损失功能,以处理非可见光数据集特征.
主要成果:
- 与YOLOv13n.相比,MMPFNet在FMCW雷达范围角度数据集上表现出显著的改进,mAP50-95比YOLOv13n.增加了16%.
- 实现了6%的精度提升和8.7%的回忆提升,用于检测通用道路目标,如行人和车辆.
- 在各种非可见光数据集上表现优于FCOS和RetinaNet等既有模型,实现了最先进的结果.
结论:
- MMPFNet提供了一种高效和轻量级的解决方案,用于使用毫米波雷达检测道路目标.
- 拟议的模型通过在具有挑战性的条件下提供强大而准确的检测来增强ADAS和ITS.
- 在利用雷达数据用于自动驾驶感知方面,MMPFNet代表了重大进步.
