Madulous: خوارزمية كشف أهداف المرور ذات الفرعين القائمة على الانتباهات المتعددة
摘要
مع التقدم السريع في النقل الذكي للمدن والقيادة الذاتية، تواجه اكتشاف الأهداف المتعددة في التقاطعات المعقدة مشاكل مثل إغفال الأهداف الصغيرة، والضبابية الحركية الناتجة عن الأهداف المتحركة بسرعة عالية، وصعوبة التعرف على الأهداف المحجوبة على مسافات طويلة، وعدم توازن تدريب العينات السهلة والصعبة. يصعب على الخوارزميات الحالية تلبية متطلبات الدقة العالية والوقت الحقيقي في الوقت نفسه. تقدم هذه الورقة خوارزمية كشف أهداف المرور ذات الفرعين Madulous القائمة على دمج آليات الانتباه المتعددة. تعتمد الخوارزمية على YOLOv8n خفيف الوزن كأساس، وتبني إطار استخراج ميزات متوازي ذي فرعين (DPFE)، حيث يتعاون الفرع الرئيسي والمساعد أثناء مرحلة التدريب لاستخراج الميزات؛ ويتم تضمين وحدة انتباه متعددة المقاييس الفعالة (EMA) في وحدة C2F بالشبكة الرئيسية لتحقيق معايرة انتباه مزدوجة للمجال الفضائي والقنوات؛ وتُدرج وحدة Swin Transformer في شبكة العنق لمساعدة الخوارزمية على دمج معلومات سياقية أوسع؛ ويتم إعادة بناء دالة خسارة التصنيف في النموذج لتعزيز وزن تدريب العينات الصعبة بشكل تكيّفي بناءً على عتبة IoU ديناميكية. أظهرت التجارب المقارنة أن الخوارزمية حققت mAP@0.5 بنسبة 91.5%، بزيادة 2.5 نقطة مئوية عن YOLOv8n الأساسي؛ وسرعة الاستدلال على منصة الحافة EC-R3588SPC بلغت 23.9 إطار/ثانية، مع أداء تعميم ملحوظ أفضل في مشاهد المرور مثل الطقس الضبابي والتصوير الجوي بالأشعة تحت الحمراء. حققت خوارزمية Madulous توازنًا جيدًا بين دقة الكشف والوقت الحقيقي، مما يدعم مراقبة الأهداف المرورية في التقاطعات بشكل فعال، ويوفر حلاً تقنيًا موثوقًا لتقليل حوادث المركبات والمركبات غير الآلية.
关键词
هندسة معلومات المرور والتحكم;الشبكات العصبية;Transformer;الانتباه المتعدد;كشف الأهداف
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