Key points are not available for this paper at this time.
Die Objekterkennung wird für Systeme zum autonomen Fahren zunehmend bedeutend. Allerdings schränkt eine schlechte Genauigkeit oder geringe Inferenzeffizienz die aktuellen Objektdetektoren bei der Anwendung im autonomen Fahren ein. In dieser Arbeit wird ein schneller und genauer Objektdetektor namens SA-YOLOv3 vorgeschlagen, indem dilatierte Faltung und ein Selbstaufmerksamkeitsmodul (SAM) in die Architektur von YOLOv3 eingeführt werden. Darüber hinaus wird die Verlustfunktion auf der Grundlage von GIoU und Fokusverlust rekonstruiert, um die Erkennungsleistung weiter zu optimieren. Mit einer Eingangsgröße von 512 x 512 verbessert unser vorgeschlagener SA-YOLOv3 YOLOv3 um 2,58 mAP und 2,63 mAP bei den KITTI- und BDD100K-Benchmarks, mit einer Echtzeiteinführung (mehr als 40 FPS). Im Vergleich zu anderen hochmodernen Detektoren berichtet es von einem besseren Kompromiss hinsichtlich Erkennungsgenauigkeit und -geschwindigkeit, was auf die Eignung für die Anwendung im autonomen Fahren hinweist. Nach unserem besten Wissen ist es die erste Methode, die YOLOv3 mit einem Aufmerksamkeitsmechanismus kombiniert, und wir erwarten, dass diese Arbeit die Forschung zum autonomen Fahren in Zukunft leiten wird.
Tian et al. (Do.,) haben diese Frage untersucht.