Angesichts der Hardwarebeschränkungen in automatisierten Fahrumgebungen sowie der Multiskalen- und Verdeckungsphänomene, die die Detektionsleistung beeinträchtigen, schlägt dieser Beitrag einen leichtgewichtigen Objekt-Erkennungsalgorithmus RT-DETR-light für die Fahrzeugerkennungsaufgabe vor. Zunächst wird die Verbesserung der Konvolutionsmodule des Backbone-Netzwerks durch das CG Block-Modul vorgeschlagen, auf dessen Basis ein leichtgewichtiges Feature-Extraktionsnetzwerk CGResNet aufgebaut wurde, das ein Gleichgewicht zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erreicht. In der Merkmalsfusion wird das bidirektionale Feature-Pyramidennetzwerk BiFPN eingeführt, das durch bidirektionale Informationsweitergabe die Genauigkeit verbessert. Schließlich wurde für die geringe Lokalisierungsgenauigkeit bei kleinen Zielen und Verdeckungsfällen in der Fahrzeugerkennungsaufgabe eine verbesserte Verlustfunktion EPGIoU entworfen, die die Gradientenstabilität extremer Szenarien durch ein mehrbedingtes kooperatives Design optimiert. Die experimentellen Ergebnisse zeigen, dass der Algorithmus auf dem UA-DETRAC-Datensatz mAP@0,5 und Präzision von 75,0 % bzw. 74,5 % erreicht, wobei die Parameteranzahl und der Rechenaufwand im Vergleich zum Baseline-Algorithmus um 26,4 % bzw. 18,0 % reduziert werden und die Erkennungsgeschwindigkeit um 1,4 Prozentpunkte steigt. Die cross-dataset Bewertung auf dem BDD100K-Sub-Datensatz bestätigt zusätzlich seine Generalisierungsfähigkeit. Der vorgeschlagene Erkennungsalgorithmus erzielt signifikante Vorteile bei Erkennungsgenauigkeit, Leichtgewichtigkeit und Inferenzgeschwindigkeit, besitzt eine gute Generalisierungsfähigkeit und bietet eine bessere Lösung für die Echtzeit-Fahrzeugerkennung und den Edge-Geräteeinsatz in automatisierten Fahrumgebungen.

Deep Learning;RT-DETR Algorithmus;Leichtgewicht;Fahrzeugerkennung