Die auf Fahrbildern basierende Objekterkennung bietet eine kostengünstige und effektive Lösung zur Erfassung der umliegenden Straßenumgebung, stellt jedoch auch hohe Anforderungen an die Erkennungsgenauigkeit und -geschwindigkeit. In diesem Artikel wird der einstufige auf Deep Learning basierende Objekterkennungsalgorithmus YOLOv3 untersucht, der mit einem Selbstaufmerksamkeitsmechanismus kombiniert wird. Im tiefen Netzwerkschichten wurde ein Gaußscher Masken-Selbstaufmerksamkeitsmodul eingebettet, um die Begrenzung des Rezeptivfelds von Faltungsoperationen zu mildern, mehr globale Informationen zu erfassen und die Erkennungsleistung des Algorithmus zu verbessern. Die experimentellen Ergebnisse zeigen, dass das verbesserte Modell auf dem MS COCO 2017-Datensatz einen mAP@0,5 von 56,88 % und eine Präzision von 65,31 % erreicht. Im Vergleich zu YOLOv3 wurde der mAP@0,5 um 2,56 % und die Präzision um 3,53 % erhöht. Obwohl die Erkennungsgeschwindigkeit leicht abnahm, wurde die Erkennungsleistung des Modells effektiv verbessert, was Anwendungen wie dem Fahrerassistenzsystem besser unterstützt.

Objekterkennung;YOLOv3-Netzwerk;Selbstaufmerksamkeit;Fahrerassistenz