Avec l'avancement rapide des transports intelligents urbains et de la conduite autonome, la détection multi-cibles aux intersections complexes est confrontée à des problèmes tels que la détection manquée des petits objets, le flou de mouvement causé par des cibles se déplaçant à grande vitesse, la difficulté de reconnaissance lors d'occlusions longue distance, ainsi que le déséquilibre d'entraînement entre échantillons faciles et difficiles. Les algorithmes existants ont du mal à concilier à la fois haute précision et temps réel. Cet article propose un algorithme de détection de cibles de trafic à double branche Madulous basé sur la fusion de mécanismes d'attention multiples. L'algorithme est basé sur le YOLOv8n léger, construit un cadre d'extraction de caractéristiques parallèle à double branche (DPFE), la phase d'entraînement voit les branches principale et auxiliaire coopérer à l'extraction des caractéristiques; un module d'attention multi-échelle efficace (EMA) est intégré dans le module C2F du réseau principal pour réaliser un calibrage d'attention à la fois spatial et canal; un module Swin Transformer est introduit dans le réseau du cou pour aider l'algorithme à fusionner des informations contextuelles à plus grande échelle; la fonction de perte de classification du modèle est reconstruite, améliorant de manière adaptative le poids d'entraînement des échantillons difficiles basé sur un seuil dynamique IoU. Les expériences comparatives montrent que cet algorithme atteint un mAP@0.5 de 91,5%, soit une amélioration de 2,5 points par rapport au YOLOv8n de référence; la vitesse d'inférence sur la plateforme Edge EC-R3588SPC atteint 23,9 FPS, avec une performance de généralisation nettement meilleure dans des scénarios de trafic tels que brouillard, prise de vue aérienne infrarouge, etc. L'algorithme Madulous réalise un bon équilibre entre précision de détection et temps réel, pouvant efficacement soutenir la surveillance en temps réel des cibles de trafic aux intersections et offrant une solution technique fiable pour réduire le taux d'accidents des véhicules et des véhicules non motorisés.

Ingénierie et contrôle de l'information du trafic;Réseaux neuronaux;Transformer;Attention multiple;Détection d'objets