Mit dem schnellen Fortschritt im städtischen intelligenten Verkehr und autonomen Fahren steht die Mehrzielerkennung an komplexen Kreuzungen vor Herausforderungen wie dem Übersehen kleiner Ziele, Bewegungsunschärfe bei schnell bewegten Zielen, Schwierigkeiten bei der Erkennung durch Langstreckenocclusionen sowie einem unausgeglichenen Training von schwierigen und einfachen Proben. Bestehende Algorithmen können die Anforderungen an hohe Genauigkeit und Echtzeitfähigkeit nur schwer gleichzeitig erfüllen. Dieser Artikel schlägt den auf der Fusion mehrerer Aufmerksamkeitsmechanismen basierenden zweigleisigen Verkehrsziele-Detektionsalgorithmus Madulous vor. Der Algorithmus basiert auf dem leichtgewichtigen YOLOv8n und erstellt einen parallelen zweigleisigen Merkmalsextraktionsrahmen (DPFE), wobei im Trainingsprozess der Haupt- und Nebenast gemeinsam Merkmale extrahieren; im C2F-Modul des Rückgratnetzwerks ist ein effizienter Multi-Skalen-Attention-Modul (EMA) eingebettet, der eine doppelte räumliche und kanalbezogene Aufmerksamkeitskalibrierung erreicht; im Halsnetzwerk wird ein Swin Transformer-Modul eingeführt, das dem Algorithmus hilft, Kontextinformationen in größerem Umfang zu integrieren; die Klassifikationsverlustfunktion des Modells wird rekonstruiert, wobei das Training schwieriger Proben adaptiv auf Basis eines dynamischen IoU-Schwellenwerts gewichtet wird. Vergleichsexperimente zeigen, dass der Algorithmus eine mAP@0.5 von 91,5 % erreicht, was eine Steigerung von 2,5 Prozentpunkten gegenüber dem Basis-YOLOv8n darstellt; die Inferenzgeschwindigkeit auf der Edge-Plattform EC-R3588SPC erreicht 23,9 FPS, mit deutlich besserer Generalisierungsleistung in Verkehrsszenarien bei Nebel, Infrarot-Luftaufnahmen und ähnlichem. Der Madulous-Algorithmus erreicht ein gutes Gleichgewicht zwischen Erkennungsgenauigkeit und Echtzeitfähigkeit, unterstützt effektiv die Echtzeitüberwachung von Verkehrsobjekten an Kreuzungen und bietet eine zuverlässige technische Lösung zur Reduzierung von Fahrzeug- und motorlosen Verkehrsunfällen.

Verkehrsinformationsingenieurwesen und -steuerung;Neuronale Netze;Transformer;Multiple Aufmerksamkeit;Objekterkennung