Investigación sobre tecnología de detección de múltiples objetos para escenas de carretera basada en SDG-YOLOv5

Para resolver los desafíos de baja precisión de detección y rendimiento en tiempo real inadecuado en la detección de escenas de carretera, este artículo introduce el algoritmo mejorado SDG-YOLOv5. El algoritmo incorpora la función de pérdida SIoU para predecir con precisión la pérdida de ángulo de las cajas delimitadoras, asegurando su direccionalidad durante la regresión y mejorando tanto la precisión de la regresión como la velocidad de convergencia. Se emplea un novedoso enfoque de cabezales desacoplados ligeros (DHs) para separar las tareas de clasificación y regresión, evitando así conflictos entre sus áreas de enfoque. Además, se utiliza el Mecanismo de Atención Global Convolucional (GAMGC), una estrategia ligera, para mejorar la capacidad de la red para procesar información contextual adicional, mejorando así la detección de pequeños objetivos. Un extenso análisis experimental en conjuntos de datos de Udacity Self Driving Car, BDD100K y KITTI demuestra que el algoritmo propuesto logra mejoras en mAP@.5 de 2.2%, 3.4% y 1.0% sobre el YOLOv5 original, con una velocidad de detección de 30.3 FPS. Estos resultados ilustran que el algoritmo SDG-YOLOv5 aborda de manera efectiva tanto la precisión de detección como el rendimiento en tiempo real en la detección de escenas de carretera.