AW-YOLO：适用于所有天气条件下自主驾驶的多目标检测网络

摘要 多年来，基于深度学习的物体检测技术在自主驾驶领域吸引了广泛的研究。实现一个在所有天气条件下（例如：晴天、雾天、夜间、雨天和雪天）稳健的物体检测网络对于确保自主驾驶系统通过识别行人、车辆、交通信号灯等来保障安全具有重要意义。本文提出了一种名为AW（全天气）-YOLO的稳健多目标检测网络，基于YOLOv8，在精度和轻量化之间取得平衡。考虑到在所有天气条件下图像中突出物体特征的模糊或缺失，我们提出了一种改进的扩张残差（D-DWR）模块。具体而言，它将扩张残差模块与扩张重参数块结合，使用大核卷积实现宽视野而不深入，从而大大提高特征提取能力。此外，我们引入了一种高效的动态上采样器（DySample），从点采样的角度构造上采样，避免动态卷积，这可以提高网络的特征融合能力。轻量化是自主驾驶的基本要求。为此，我们采用了多尺度共享检测头（MSSD-Head）在自主车辆中实现轻量级部署。实验结果表明，AW-YOLO在KITTI和ACDC数据集上的mAP50-95值分别比基准模型YOLOv8高出1.7%和1.5%。同时，AW-YOLO的参数和模型大小分别减少了21.4%和20.4%。