FlowDet: 克服实时端到端交通检测中的视角与尺度挑战
计算机视觉与模式识别
2025-10-21 v2 人工智能
摘要
端到端目标检测器为实时应用提供了一种有前景的无 NMS 范式，但其高计算成本仍然是显著的瓶颈，尤其是在交叉口交通监控等复杂场景中。为应对这一挑战，我们提出 FlowDet，一种高速检测器，采用应用于 DETR 架构的解耦编码器优化策略。具体而言，FlowDet 采用一种新型几何可变形单元（GDU）进行交通感知的几何建模，以及尺度感知注意力（SAA）模块以在极端尺度变化下保持高表征能力。为严格评估模型在严重遮挡和高目标密度环境中的性能，我们收集了 Intersection-Flow-5k 数据集，这是该任务的一个新挑战性场景。在 Intersection-Flow-5k 上评估，FlowDet 建立了新的最先进性能。与强基线 RT-DETR 相比，它将 AP(test) 提升了 1.5%，AP50(test) 提升了 1.6%，同时将 GFLOPs 降低了 63.2%，推理速度提高了 16.2%。我们的工作展示了构建高效精准检测器以满足高要求的真实世界感知系统的新路径。Intersection-Flow-5k 数据集可在 https://github.com/AstronZh/Intersection-Flow-5K 获取。
引用
@article{arxiv.2508.19565,
title = {FlowDet: Overcoming Perspective and Scale Challenges in Real-Time End-to-End Traffic Detection},
author = {Zixing Wang and Yuhang Zhao},
journal= {arXiv preprint arXiv:2508.19565},
year = {2025}
}
备注
Accepted by PRCV 2025. Project page with code and dataset: https://github.com/AstronZh/Intersection-Flow-5K