针对夜间环境下的车辆检测性能下降的问题,提出一种基于YOLOv8的改进算法,记作YOLO-SA(You Only Look Once with Synergistic Attention)。首先,在YOLOv8的主干网络中,引入空间与通道协同注意力(SCSA),从而构造C2f-SCSA(C2f with SCSA)...针对夜间环境下的车辆检测性能下降的问题,提出一种基于YOLOv8的改进算法,记作YOLO-SA(You Only Look Once with Synergistic Attention)。首先,在YOLOv8的主干网络中,引入空间与通道协同注意力(SCSA),从而构造C2f-SCSA(C2f with SCSA)模块来提升对夜间图像的特征提取能力;其次,使用FASFF(Four-Adaptively Spatial Feature Fusion)检测头,从而优化算法处理多尺度特征的能力,并增强算法对小目标的检测能力;最后,利用样本加权函数SlideLoss代替原分类损失函数,从而提高算法对困难样本的识别能力,并解决难易样本不均衡的问题。实验结果表明:在BDD100K数据集上,YOLO-SA在夜间车辆检测任务中具有更高的精度,在mAP@0.5和mAP@0.5:0.95指标上相较于YOLOv8分别提高了3.48和2.94个百分点。可见,YOLO-SA能更加有效地应对夜间环境下车辆检测的挑战。展开更多
文摘针对夜间环境下的车辆检测性能下降的问题,提出一种基于YOLOv8的改进算法,记作YOLO-SA(You Only Look Once with Synergistic Attention)。首先,在YOLOv8的主干网络中,引入空间与通道协同注意力(SCSA),从而构造C2f-SCSA(C2f with SCSA)模块来提升对夜间图像的特征提取能力;其次,使用FASFF(Four-Adaptively Spatial Feature Fusion)检测头,从而优化算法处理多尺度特征的能力,并增强算法对小目标的检测能力;最后,利用样本加权函数SlideLoss代替原分类损失函数,从而提高算法对困难样本的识别能力,并解决难易样本不均衡的问题。实验结果表明:在BDD100K数据集上,YOLO-SA在夜间车辆检测任务中具有更高的精度,在mAP@0.5和mAP@0.5:0.95指标上相较于YOLOv8分别提高了3.48和2.94个百分点。可见,YOLO-SA能更加有效地应对夜间环境下车辆检测的挑战。
