現在の自動運転における物体検出アルゴリズムが単一または少数種類の物体検出、検出漏れおよび誤検出といった問題を抱えていることを受け、本論文ではYOLOv8sを改良した自動運転物体検出アルゴリズムを提案する。本アルゴリズムはYOLOv8sのバックボーンネットワークの一部の通常の畳み込みをRepConv（再パラメータ化畳み込み）に置き換えることで、物体認識能力を向上させつつ、計算コストとメモリ消費を削減し、モデル効率を高めている。加えて、ネックネットワークC2fの後に効率的マルチスケール注意（Efficient Multi-scale Attention、EMA）機構を追加し、特徴への注目度とモデルの収束速度を改善した。次に、ネットワークヘッドにP2検出ヘッドを追加し、小さな物体の検出能力を強化した。最後に、動的非単調フォーカス機構と勾配利得配分策略を用いたWIoU（Wise-IoU）損失関数を採用し、検出器全体の性能を向上させている。手動でラベル付けされたCarデータセットにおいて、改良モデルはmAP50およびmAP（50-95）でそれぞれ81.2％と58.4％を達成し、YOLOv8sモデルに比べてそれぞれ1.5％、1.2％向上した。精度（Precision、P）および再現率（Recall、R）もそれぞれ1.9％、0.8％向上し、パラメータ数は11.14Mから10.87Mに減少した。改良モデルは基準モデルと比較して、パラメータ数を減らしつつ検出精度を向上させており、自動運転タスクにより適している。

自動運転;物体検出;YOLOv8s;EMA;Wise-IoU