摘要
لحل مشكلة انخفاض دقة كشف علامات المرور الحالية في الأهداف الصغيرة والأهداف غير الواضحة والبيئات المعقدة، قدمت هذه الورقة نموذج كشف علامات مرور محسن YOLOv8-NTS لتعزيز أداء النموذج في بيئات المرور المعقدة. أجرى النموذج ثلاثة تحسينات على أساس YOLOv8: أولاً، تم تصميم وحدة محولات الانتباه المختلطة المدمجة SlimHAT في الشبكة الأساسية لتعزيز قدرة النمذجة لمعلومات البيكسل الشاملة وتحسين دقة تمثيل الخصائص؛ ثانياً، تم تصميم وحدة WT-C2fBlock المعتمدة على WTConv لتحل محل وحدة C2f الأصلية، مما يقلل من عدد معلمات النموذج بنسبة 12.2% مع الحفاظ على دقة الكشف؛ أخيراً، تم تصميم رأس كشف جديد RFAhead يجمع بين آلية الانتباه الفراغي والعمليات الالتفافية لتحسين عملية استخراج ودمج الخصائص، مما يعزز قدرة النموذج على تعبير الأهداف والصلابة. أظهرت التجارب على مجموعة بيانات علامات المرور TT100K أن نموذج YOLOv8-NTS المحسن حقق تحسينات بنسبة 6.5% في الدقة، 5.0% في الاسترجاع، 7.3% في mAP50 و5.3% في mAP50~90 مقارنة بالنموذج الأساسي YOLOv8، مما يدل على ميزة أداء ملحوظة. يمكن للنموذج المقترح YOLOv8-NTS تحسين دقة كشف علامات المرور وقدرة التعميم بشكل كبير مع الحفاظ على تكلفة حسابية منخفضة، مما يؤكد فعالية هذه الطريقة وقيمتها العملية ويوفر دعماً تقنياً موثوقاً لتعرف علامات المرور في سيناريوهات المرور الذكي.
关键词
كشف علامات المرور;SlimHAT;WT-C2fBlock;RFAhead;YOLOv8
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