车辆检测是智能交通系统和自动驾驶的重要组成部分。然而,实际交通场景中存在许多不确定因素,导致车辆检测模型的准确率低实时性差。为了解决这个问题,提出了一种快速准确的车辆检测算法——YOLOv8-DEL。使用DGCST(dynamic group convol...车辆检测是智能交通系统和自动驾驶的重要组成部分。然而,实际交通场景中存在许多不确定因素,导致车辆检测模型的准确率低实时性差。为了解决这个问题,提出了一种快速准确的车辆检测算法——YOLOv8-DEL。使用DGCST(dynamic group convolution shuffle transformer)模块代替C2f模块来重构主干网络,以增强特征提取能力并使网络更轻量;添加的P2检测层能使模型更敏锐地定位和检测小目标,同时采用Efficient RepGFPN进行多尺度特征融合,以丰富特征信息并提高模型的特征表达能力;通过结合GroupNorm和共享卷积的优点,设计了一种轻量型共享卷积检测头,在保持精度的前提下,有效减少参数量并提升检测速度。与YOLOv8相比,提出的YOLOv8-DEL在BDD100K数据集和KITTI数据集上,mAP@0.5分别提高了4.8个百分点和1.2个百分点,具有实时检测速度(208.6 FPS和216.4 FPS),在检测精度和速度方面实现了更有利的折中。展开更多
文摘针对车辆检测领域中现有的小目标检测算法面临的复杂度高、特征提取不足以及检测率低的问题,提出了一种改进模型ARR-DETR,旨在提升小目标车辆检测的效率和精度。借助CSP的思想,通过卷积加性自注意力机制(convolutional additive self-attention,CATM)和卷积门控线性单元(gated linear unit,GLU)构建CSP-ADD-CGLU模块,以改进RT-DETR的骨干网络,在降低计算复杂度的同时增强关键特征的提取能力,从而提升模型的表现力和训练稳定性。构建AIFI-RepBN模块,采用渐进重参数化方法,在训练过程中逐渐从LayerNorm过渡到BatchNorm,实现更高效的计算,同时保持模型性能。在融合模块中引入显式空间先验和注意力分解,强化对小目标位置的感知能力,同时提升对不同尺度特征的选择性关注能力,提高模型对小目标的识别精度,还增强了整体特征融合的效果。实验结果表明,改进的RT-DETR模型在BDD100K数据集上的P、Recall和FPS指标分别为74.4%、66.1%和67.4%。与原始RT-DETR模型相比,分别提升了1.6%、2.1%和3.3%,表明该方法可以更快速、更准确地检测到小目标车辆。
