基于深度学习的自注意力特征融合车辆检测方法

作     者：黄艳国 饶泽浩 李罗 Huang Yanguo;Rao Zehao;Li Luo

作者机构：江西理工大学电气工程与自动化学院江西赣州341000 

出 版 物：《现代工业经济和信息化》 (Modern Industrial Economy and Informationization)

年 卷 期：2024年第14卷第6期

页      面：127-134页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金项目(72061016) 

主　　题：自注意力 高效聚合网络 动态卷积 CBAM MPDIoU 

摘      要：针对目前车辆目标检测任务中模型特征表征能力不足、检测精度低、重叠漏检等问题,提出一种基于YOLOv8改进的自注意力融合车辆目标检测模型。首先,提出一种自注意力卷积聚合特征提取模块(AC-ReELAN),该模块采用stage-level方法融合ACMix与CBS,通过残差链接结合多粒度特征信息,改善原网络主干网络结构,提升模型特征信息提取与表征能力;其次,在Neck部分引入动态双维度注意力机制(D_CBAM)通过设计自适应卷积取值空间,动态地限制权值范围,建立多通道权值赋予机制,在保证模型精简的同时提升模型的滤波能力,加强对目标的关注度,增强模型精确定位能力;最后,引入MPDIoU边界框回归损失函数,优化回归指标,简化计算过程,加快模型收敛速度,提升模型鲁棒性。实验结果表明,改进后模型平均检测进度达到了85.7%,相较YOLOv8提高了10.1个百分点,检测速度达到51 FPS,达到实时检测的要求。