YOLO-APD：为在复杂道路几何场景下 robust 行人检测增强 YOLOv8
摘要
自动驾驶车辆感知系统需要在几何复杂的道路（如 Type-S 曲面）上实现稳健的行人检测，其中基于标准 RGB 摄像头的方法面临局限。本文引入 YOLO-APD，一种新型深度学习架构，专为应对此挑战而增强 YOLOv8 框架。YOLO-APD 集成了若干关键架构修改：参数无关的 SimAM 注意力机制、计算高效的 C3Ghost 模块、用于增强多尺度特征池化的新型 SimSPPF 模块、用于改进优化的 Mish 激活函数，以及用于网络颈部优异特征融合的智能聚取 & 分发 (IGD) 模块。还提出利用车辆转向动力学进行自适应区域感兴趣处理的概念。针对模拟复杂情景的自定义 CARLA 数据集进行全面评估，表明 YOLO-APD 实现了状态最佳检测精度，达到 77.7% [email protected]:0.95，行人召回率显著超过 96%，显著优于基线模型（包括 YOLOv8）。此外，它在 100 FPS 的实时处理能力方面表现出色，展现了精度与效率之间的卓越平衡。消融研究验证了每个集成组件的协同贡献。在 KITTI 数据集上的评估确认了该架构的潜力，同时凸显了领域适应的必要性。本研究推动了基于低成本传感器的高精度、高效且可适应感知系统的开发，增强了在挑战性、较不规则驾驶环境中自动导航的安全性和可靠性。
引用
@article{arxiv.2507.05376,
title = {YOLO-APD: Enhancing YOLOv8 for Robust Pedestrian Detection on Complex Road Geometries},
author = {Aquino Joctum and John Kandiri},
journal= {arXiv preprint arXiv:2507.05376},
year = {2025}
}
备注
Published in the International Journal of Computer Trends and Technology (IJCTT), vol. 73, no. 6, 2024. The final version of record is available at: https://doi.org/10.14445/22312803/IJCTT-V73I6P108