Eine Studie zu einem Zielerkennungsmodell für autonome Fahraufgaben

Zusammenfassung Die Zielerkennung in autonomen Fahraufgaben stellt aufgrund der Vielfalt der Ziele und der Komplexität der Umgebung eine komplexe und kritische Herausforderung dar. Um dieses Problem zu adressieren, schlägt dieses Papier ein verbessertes YOLOv8-Modell vor. Zunächst wird der ursprüngliche große Zielerkennungskopf entfernt und durch einen für kleine Ziele und hochgradige semantische Details maßgeschneiderten Erkennungskopf ersetzt. Zweitens wird eine adaptive Merkmalsfusion vorgeschlagen, bei der die Eingangsmerkmalskarten mit erweiterten Faltungen mit unterschiedlichen Erweiterungsraten verarbeitet werden, gefolgt von einer adaptiven Merkmalsfusion zur Generierung von adaptiven Gewichten. Schließlich wird ein verbesserter Aufmerksamkeitsmechanismus integriert, um den Fokus des Modells auf Zielregionen zu erhöhen. Darüber hinaus wird der Einfluss der Gruppenshuffle-Faltung (GSConv) auf die Erkennungsgeschwindigkeit des Modells untersucht. Validiert an zwei öffentlichen Datensätzen erreicht das Modell eine mittlere durchschnittliche Präzision (mAP) von 53,7 % und 53,5 %. Obwohl die Einführung von GSConv zu einem leichten Rückgang der mAP führt, verbessert es die Bildrate erheblich. Diese Ergebnisse unterstreichen die Effektivität des vorgeschlagenen Modells in autonomen Fahraufgaben.