摘要
توفر طريقة كشف الأهداف المستندة إلى صور القيادة حلاً رخيصًا وفعالًا للإدراك البيئي للطريق المحيط، لكنها تفرض أيضًا متطلبات عالية على دقة الكشف وسرعته. تركز هذه الورقة على دراسة خوارزمية كشف الأهداف من المرحلة الواحدة المعتمدة على التعلم العميق YOLOv3، مع دمج آلية الانتباه الذاتي، حيث تم تضمين وحدة الانتباه الذاتي بواقي غاوسي داخل الطبقات العميقة للشبكة لتخفيف عيوب ضعف مجال استقبال العمليات الالتفافية، لالتقاط مزيد من المعلومات العالمية وتحسين أداء الخوارزمية في الكشف. تظهر النتائج التجريبية أن النموذج المحسن حقق mAP@0.5 بنسبة 56.88٪ ودقة 65.31٪ عند التدريب على مجموعة بيانات MS COCO 2017. بالمقارنة مع YOLOv3، تحسن mAP@0.5 بنسبة 2.56٪ والدقة بنسبة 3.53٪. على الرغم من وجود بعض الخسائر في سرعة الكشف، إلا أنه حسّن بشكل فعال أداء الكشف للنموذج، مما يدعم بشكل أفضل تطبيقات مثل القيادة المساعدة.
关键词
كشف الأهداف;شبكة YOLOv3;الانتباه الذاتي;القيادة المساعدة
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website