复杂道路场景中的感受野优化目标检测研究

摘要

为解决复杂交通环境中小目标、遮挡目标检测能力不足，泛化能力弱等问题，设计了一种基于YOLOv8的优化模型，命名为YOLOv8-MS。提出了轻量感受野增强模块MGSmodule，基于此模块对C2f模块进行优化，提高特征提取的效率和准确性。引入了分离和增强注意力模块SEAM，该模块有效聚焦于受群体集中影响的区域，从而提升模型对遮挡目标的检测能力。设计专门针对小目标的下采样特征提取器，旨在降低小目标的误检率和漏检率，进一步提高检测准确率。在KITTI数据集上进行验证，改进算法的P、R、m AP50、m AP50-95较基准模型YOLOv8n分别提高0.9%、6.3%、5.7%、4.8%。同时，模型在Vis Drone数据集验证，改进后的模型的P、R、m AP50、m AP50-95分别提高2.5%、2.3%、2.6%、1.6%，显示出良好的泛化性和鲁棒性。

关键词

自动驾驶 / 小目标检测 / 注意力机制 / YOLOv8n