SLAW-YOLOv8:一种密集行人检测方法

摘要

针对YOLOv8密集场景行人检测易出现漏检、误检现象，通过引入具有强特征提取能力的空间通道重建卷积模块(SCConv)和可分离大核注意力机制(LSKA)对其主干网络进行改进；分别在其颈部网络和检测头引入通道注意力模块(EMA)和自适应空间特征融合模块(ASFF),有效增强多通道上下文信息和目标尺度不变性能；提出一种新的Wise-MPDIoU边界损失函数，从而构建出一种新的密集行人检测方法：SLAW-YOLOv8.对比实验结果表明，在PASCAL VOC2012数据集上，mAP@0.5提高了4.4%,mAP@0.5∶0.95提高了4.7%;在WiderPerson数据集上mAP@0.5提升了1.5%,mAP@0.5∶0.95提高了1.9%,有效消除了密集场景行人检测的漏检、误检现象.

关键词

行人检测 / YOLOv8 / 自适应空间特征融合 / 可分离大核注意力机制 / 边界损失函数