لحل مشكلة دقة الكشف المنخفضة الناجمة عن صغر حجم أهداف علامات المرور في مشاهد القيادة الذاتية وتأثرها بسهولة بالبيئة، بالإضافة إلى قيود قدرة الحوسبة واستهلاك الطاقة المحدودة على منصة المركبة والتي تجعل من الصعب دعم النماذج المعقدة، قدمت هذه الورقة خوارزمية كشف خفيفة الوزن محسنة تسمى YOLO-DyMiF (المزج الديناميكي والدمج المميز). يقوم هذا النموذج على YOLOv10n مع تحسينين: أولاً، تم تصميم مزج ديناميكي فعال قائم على الالتفاف الديناميكي الفعال التكيفي (Adaptive Efficient Conv، AEConv) يُدمج في وحدة C3k2 لتكوين وحدة C3k2_EDMS لتحل محل وحدة C2f في نموذج YOLOv10n، مما يقلل من حجم المعلمات بفعالية مع الحفاظ على قدرة التعبير عن الخصائص في الشبكة الأساسية؛ ثانيًا، تم تصميم شبكة دمج الميزات الديناميكية العنقية التي تركز على وحدة تعزيز الفضاء متعدد المقاييس الهرمية (Hierarchical Multi-scale Spatial Enhancement، HMSE)، والتي تعزز تمثيل الميزات متعددة المقاييس من خلال التفاعل بين الطبقات والدمج التكيفي الوزن، مع تحسين دقة الكشف لأهداف المرور الصغيرة مع المحافظة على أداء الكشف للأهداف المتوسطة والكبيرة. أظهرت نتائج التجارب على مجموعة بيانات TT100K أن خوارزمية YOLO-DyMiF حسنت mAP50 بنسبة 1% مقارنة بخوارزمية Mamba-YOLOt الرائدة الحالية، كما انخفض حجم المعلمات بنسبة 58.3% واستهلاك الحوسبة بنسبة 42.3%. يمكن للنموذج المقترح تقليل تكلفة الحساب بشكل كبير مع ضمان دقة كشف عالية، مما يوفر دعمًا تقنيًا موثوقًا لاكتشاف علامات المرور في مشاهد القيادة الذاتية.

الكشف عن الأهداف;علامات المرور;القيادة الذاتية;الأهداف متعددة المقاييس;الحوسبة الحافة