夜间场景中分心驾驶行为的轻量级目标检测与研究

摘要

针对分心驾驶行为发生时夜间场景背景复杂，传统模型在检测过程中存在错检和漏检等不足，设计了一种改进的YOLOv11n优化模型HCP-YOLOv11n(HGNet CPC PACM)。首先，通过引入轻量级神经网络架构PP-HGNet(paddle paddle high performance GPU net)对YOLOv11n的Backbone网络进行改进，提升多尺度特征的提取能力，减轻计算负担；其次，将CPC(CSP partial convolution)和C3k2模型融合为C3k2＿CPC,并将其加入Head部分，以更高效的方式提取有效特征，同时保持较低的计算开销；最后，针对小目标检测提出PACM(pre-normalization adaptive gating channel enhancement multi-scale dilated)机制，通过多种膨胀率组合扩展感受野，显著提升网络在处理小目标和细节行为时的性能。与基准模型YOLOv11n相比，改进算法的mAP50、mAP50-95和Recall分别提高3.4%、1.2%和5.8%,GFLOPs降低12.7%,参数量减少24%。在Four behaviors dataset数据集上的实验结果验证了改进模型的有效性，表明其不仅在夜间分心驾驶行为检测任务中表现优异，在日间光照充足的环境中也展现了良好的检测性能。

关键词

分心驾驶 / PP-HGNet / 注意力机制 / YOLOv11n