走行画像に基づく物体検出手法は、周囲の道路環境の認識に安価で効果的なソリューションを提供しますが、同時に検出精度と検出速度に対して高い要求を課します。本論文では、深層学習に基づく単段階物体検出アルゴリズムYOLOv3を研究し、自己注意機構を組み合わせてネットワークの深層構造にガウスマスク自己注意モジュールを埋め込み、畳み込み演算の受容野不足の欠点を緩和し、より多くのグローバル情報を捉えてアルゴリズムの検出効果を向上させました。実験結果は、改良モデルがMS COCO 2017データセット上での訓練結果においてmAP@0.5が56.88%、精度が65.31%に達したことを示しています。YOLOv3と比較して、mAP@0.5は2.56%、精度は3.53%向上しました。検出速度に若干の損失はありますが、モデルの検出効果が効果的に向上し、運転支援などのアプリケーションをより良くサポートできます。

物体検出;YOLOv3ネットワーク;自己注意;運転支援