ADWNet: Un detector mejorado basado en YOLOv8 para su aplicación en condiciones meteorológicas adversas para la conducción autónoma

Resumen Inspirándose en el marco de detección de objetos de vanguardia YOLOv8, se propone un nuevo modelo denominado red de clima adverso (ADWNet). Para mejorar las capacidades de extracción de características del modelo, se ha integrado el módulo de atención multinivel eficiente (EMA) en la columna vertebral. Para abordar el problema de la pérdida de información en las características fusionadas, Neck ha sido reemplazado por RepGDNeck. Al mismo tiempo, para acelerar la convergencia del modelo, la función de pérdida de la caja delimitadora se ha optimizado a pérdida SIoU. Para elucidar las ventajas de ADWNet en el contexto de condiciones meteorológicas adversas, se realizaron estudios de ablación y experimentos comparativos. Los resultados indican que aunque el conteo de parámetros del modelo aumentó en un 18.4%, la precisión para detectar lluvia, nieve y niebla en condiciones meteorológicas adversas mejoró en un 22%, mientras que los FLOPs (operaciones de punto flotante) disminuyeron en un 5%. Los resultados de los experimentos comparativos realizados en el conjunto de datos WEDGE muestran que ADWNet supera a otros modelos de detección de objetos en condiciones meteorológicas adversas en términos de precisión, parámetros del modelo y FLOPs. Para validar la eficacia en el mundo real de ADWNet, se extrajeron datos de un grabador de automóvil en condiciones adversas en autopistas, se realizó inferencia visual y se demostró su precisión en la interpretación de escenarios del mundo real. Los archivos de configuración están disponibles en https://github.com/Xinyun‐Feng/ADWNet.