La méthode de détection d’objets basée sur les images de conduite offre une solution économique et efficace pour percevoir l’environnement routier environnant, mais elle impose également des exigences élevées en termes d’efficacité et de vitesse de détection. Cet article étudie l’algorithme de détection d’objets en une étape basé sur l’apprentissage profond YOLOv3, en intégrant un mécanisme d’attention automatique. Un module d’attention automatique à masque gaussien est intégré dans les couches profondes de son réseau afin de pallier la limite du champ récepteur des opérations de convolution, pour capturer davantage d’informations globales et améliorer la performance de détection de l’algorithme. Les résultats expérimentaux montrent que le modèle amélioré atteint un mAP@0.5 de 56,88 % et une précision de 65,31 % sur le jeu de données MS COCO 2017. Par rapport à YOLOv3, le mAP@0.5 est amélioré de 2,56 % et la précision de 3,53 %. Bien que la vitesse de détection ait légèrement diminué, l’efficacité du modèle a été améliorée, ce qui permet de mieux soutenir des applications telles que la conduite assistée.

Détection d’objets;Réseau YOLOv3;Attention automatique;Conduite assistée