面向小遮挡目标检测与跟踪的可解释动态图神经网络
计算机视觉与模式识别
2025-05-06 v8 机器学习
摘要
小规模遮挡目标的检测与跟踪，如行人、骑行者和摩托车，在动态城市环境中因其突发性运动、频繁的遮挡和较差可见性，构成交通监控系统的重要挑战。传统方法如YOLO11虽在空间特征提取方面擅长，实现精准检测，但在处理这些小且动态移动对象方面常常吃力，尤其是在处理实时数据更新和资源效率方面。本文引入DGNN-YOLO，一种新型框架，将动态图神经网络(DGNNs)与YOLO11集成，以解决这些限制。与标准图神经网络不同，DGNNs因其在实时动态更新图结构方面的卓越能力，被选用于实现对城市交通场景中对象的自适应和稳健跟踪。该框架构建和定期更新其图表示，將物体作为节点，将其相互作用作为边，从而有效应对快速变化的条件。此外，DGNN-YOLO集成了Grad-CAM、Grad-CAM++和Eigen-CAM可视化技术，以增强可解释性并提升信任度，提供对模型决策过程的洞察。大量实验表明，该框架的性能卓越，实现了精度为0.8382、召回率为0.6875和[email protected]:0.95为0.6476，显著优于现有方法。该研究为实时交通监控提供了可扩展且可解释的解决方案，显著推进了智能交通系统在检测和跟踪小规模遮挡目标方面的关键挑战。
引用
@article{arxiv.2411.17251,
title = {Interpretable Dynamic Graph Neural Networks for Small Occluded Object Detection and Tracking},
author = {Shahriar Soudeep and Md Abrar Jahin and M. F. Mridha},
journal= {arXiv preprint arXiv:2411.17251},
year = {2025}
}