一个适应性的多尺度轻量级网络,用于长途小型交通标志检测
Ruishi Liang1,2, Wenjie Qu3, Shuaibing Li4
1School of Computer Science, University of Electronic Science and Technology of China, Zhongshan Institute, Zhongshan, 528402, China. liangruishi@foxmail.com.
Scientific reports
|March 14, 2026
概括
我们开发了YOLO-AML,这是一个高效的系统,用于在自动驾驶中检测小型交通标志. 它提高了准确性和速度,同时降低了计算负载,提高了道路安全.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 自动驾驶系统需要精确检测小,遥远的交通标志.
- 现有的算法与微妙的特征,背景杂乱和实时处理需求作斗争.
研究的目的:
- 开发一种高效准确的对象检测模型,用于自动驾驶中的小型交通标志.
- 为了解决当前算法的关于特征保存,背景噪声和计算复杂性的局限性.
主要方法:
- 引入了YOLO-AML,使用无参数空间转换和低通道卷积.
- 提出了基于规范化的注意力与sigmoid和tanh (NAST) 模块,用于注意力调节和噪声抑制.
- 集成了C2PSA-LSKA (CLSKA) 模块,以增强受体场和减少参数.
- 采用标准化瓦瑟斯坦距离 (NWD) 损失函数来处理小物体检测挑战.
主要成果:
- 实现了参数减少17%和计算复杂度减少16.8%.
- 达到72.2 FPS的检测速度,检测准确度提高了2.0%.
- Grad-CAM可视化证实了增强的功能可辨别性和对背景干扰的稳定性.
结论:
- 在复杂的驾驶场景中,YOLO-AML显著提高了小型交通标志检测性能.
- 该模型为自动驾驶感知系统提供了一个计算轻量级和高效的解决方案.