利用持续学习用于复杂交通场景中脆弱道路用户的实时检测
图像与视频处理
2025-07-16 v1
摘要
行人和自行车员是脆弱道路用户（VRU），其本质上暴露于复杂的交通场景中，这将增加他们受伤或遭遇致命后果的风险。本研究提出了一种智能自适应系统，使用 YOLOv8-Dynamic（YOLOv8-D）算法检测脆弱道路用户，并实时适应以防止事故发生。我们选择 YOLOv8x 作为检测器，通过与其他最先进的目标检测模型（包括 Faster-RCNN、YOLOv5、YOLOv7 和其变体）进行比较。相较于 YOLOv5x，YOLOv8x 在 F1 分数上提升了 12.14%，在平均精度（mAP）上提升了 45.61%。相较于 YOLOv7x，F1 分数提升 21.26%，mAP 提升 128.44%。我们的算法将持续学习能力集成到 YOLOv8 检测器的架构中，以灵活调整以适应不断变化的道路条件，确保其在多个数据集域中的适应性，并促进脆弱道路用户检测和跟踪精度的持续提升，拥抱现实环境的动态本质。在我们提出的框架中，我们优化了 YOLOv8 模型的梯度下降机制，并在两个在图像视角和类别数目上统计上不同的数据集上训练我们的优化算法，相较于在新数据集上训练的自定义 YOLOv8 框架，F1 分数提升了 21.08%，mAP 提升了 31.86%，从而克服了深度模型在训练统计上不同类型数据集时发生的灾难性遗忘问题。
引用
@article{arxiv.2507.11046,
title = {Using Continual Learning for Real-Time Detection of Vulnerable Road Users in Complex Traffic Scenarios},
author = {Faryal Aurooj Nasir and Salman Liaquat and Nor Muzlifah Mahyuddin},
journal= {arXiv preprint arXiv:2507.11046},
year = {2025}
}
备注
Accepted for presentation at the 9th International Conference on Communications and Future Internet