Aufgrund der Hardwarebeschränkungen in Szenarien des autonomen Fahrens sowie der Multiskalen- und Verdeckungsphänomene, die zu schlechter Erkennungsleistung führen, wird in diesem Artikel ein leichtgewichtiges Objekterkennungsalgorithmus RT-DETR-light für die Fahrzeugerkennungsaufgabe vorgeschlagen. Zunächst wird vorgeschlagen, das CG Block-Modul zur Verbesserung der Faltungsmodul des Backbone-Netzes zu verwenden und darauf basierend ein leichtgewichtiges Merkmalextraktionsnetzwerk CGResNet zu entwickeln, das eine Balance zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erreicht. In der Merkmalfusionphase wird das bidirektionale Merkmals-Pyramiden-Netzwerk BiFPN eingeführt, das durch bidirektionale Informationsübertragung eine Genauigkeitssteigerung ermöglicht. Schließlich wurde zur Behebung der unzureichenden Lokalisierungsgenauigkeit kleiner Ziele und verdeckter Szenarien bei der Fahrzeugerkennung eine verbesserte Verlustfunktion EPGIoU entworfen, die durch ein Mehrfachbeschränkungskooperationsdesign die Gradientenstabilität in Extremszenarien optimiert. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Algorithmus auf dem UA-DETRAC-Datensatz eine mAP@0.5 und Genauigkeit von 75,0% bzw. 74,5% erreicht, wobei die Anzahl der Parameter und die Rechenleistung im Vergleich zum Basisalgorithmus um 26,4% bzw. 18,0% reduziert und die Erkennungsgeschwindigkeit um 1,4 Prozentpunkte verbessert wurden. Die domänenübergreifende Evaluation auf dem BDD100K-Sub-Datensatz bestätigt weiter seine Generalisierungsfähigkeit. Der vorgeschlagene Algorithmus erzielt signifikante Vorteile bei Erkennungsgenauigkeit, Leichtgewicht und Inferenzgeschwindigkeit und bietet eine bessere Lösung für die Echtzeit-Fahrzeugerkennung und den Edge-Device-Einsatz in Szenarien des autonomen Fahrens.

Deep Learning;RT-DETR Algorithmus;Leichtgewicht;Fahrzeugerkennung