图像处理 | YOLO-DyMiF:一种面向低算力平台的动态多尺度交通标志检测网络
图像处理 | YOLO-DyMiF:一种面向低算力平台的动态多尺度交通标志检测网络
摘要:为了解决自动驾驶场景中交通标志目标体积小、易被环境干扰而导致检测精度低,以及车载平台算力和功耗有限、难以支撑复杂模型的问题,本文提出了一种改进的轻量化检测算法YOLO-DyMiF(Dynamic Mixer and Feature Fusion)。该模型在YOLOv1On的基础上进行了两方面改进:首先,设计一种基于动态高效卷积(Adaptive Eficient Conv,AEConv)的高效动态混合器(Eficient Dynamic Mixer Structure,EDMS),并将其嵌人C3k2模块以构建C3k2_EDMS模块,用于替换YOLOv1On模型中的C2f模块,在保持主干网络特征表达能力的前提下有效压缩参数规模;其次,设计了以分层多尺度空间增强模块(Hierarchical Multi-scale Spatial Enhancement,HMSE)为核心的动态特征融合颈部网络,它通过跨层交互和自适应加权融合增强多尺度特征表征能力,在兼顾中、大目标检测性能的同时提升小目标交通标志检测精度。在TT100K数据集上的实验结果表明,与当前领先的Mamba-YOLOt相比,YOLO-DyMiF算法的mAP50提高 1% ,模型参数量下降了 58.3% ,计算量下降了 42.3% 。所提出的模型能够在确保高检测精度的同时显著降低计算成本,可以为自动驾驶场景中的交通标志检测提供可靠的技术支持。