MFMAN-YOLO:一种复杂环境下杆状障碍物检测方法
计算机视觉与模式识别
2023-07-25 v1
摘要
在真实交通中,道路与天气条件存在多种不确定性与复杂性。为解决复杂环境下杆状障碍物特征信息易丢失导致检测精度低、实时性差的问题,本文提出一种多尺度混合注意力机制检测算法。首先,引入最优传输函数Monge-Kantorovich (MK),不仅以最优匹配解决多个预测框重叠问题,还可对MK函数正则化以防止模型过拟合;随后,依据优化后的高效多尺度特征金字塔对不同尺度特征分别上采样。最后,基于混合注意力机制增强复杂环境下多尺度特征空间通道信息提取,抑制无关的复杂环境背景信息并聚焦杆状障碍物特征信息。同时,本文在多种复杂环境中进行了真实道路测试实验。实验结果表明,该方法的检测精确率、召回率和平均精度分别为94.7%、93.1%和97.4%,检测帧率为400 f/s。本研究方法可实时、准确地检测复杂道路环境中的杆状障碍物,进一步推动了自动驾驶领域的创新与进步。
引用
@article{arxiv.2307.12548,
title = {MFMAN-YOLO: A Method for Detecting Pole-like Obstacles in Complex Environment},
author = {Lei Cai and Hao Wang and Congling Zhou and Yongqiang Wang and Boyu Liu},
journal= {arXiv preprint arXiv:2307.12548},
year = {2023}
}
备注
11 pages