自動運転シーンにおいて、交通標識の対象物が小さく環境の干渉を受けやすいため検出精度が低いこと、ならびに車載プラットフォームの演算能力と消費電力が限られているため複雑なモデルの支援が困難である問題を解決するために、本論文では改良された軽量検出アルゴリズムYOLO-DyMiF（Dynamic Mixer and Feature Fusion）を提案する。本モデルはYOLOv10nを基に二つの改良を施している。第一に、動的効率的畳み込み（Adaptive Efficient Conv、AEConv）に基づく効率的動的ミキサー構造（Efficient Dynamic Mixer Structure、EDMS）を設計し、それをC3k2モジュールに組み込んでC3k2_EDMSモジュールを構築し、YOLOv10nモデル内のC2fモジュールに代わることで、バックボーンネットワークの特徴表現能力を維持しつつパラメータ規模を効果的に圧縮した。第二に、階層的マルチスケール空間強化モジュール（Hierarchical Multi-scale Spatial Enhancement、HMSE）を核とした動的特徴融合ネックネットワークを設計し、層間相互作用と適応的加重融合によりマルチスケール特徴表現能力を強化し、中・大規模対象の検出性能を維持しながら、小規模交通標識の検出精度を向上させた。TT100Kデータセット上の実験結果は、現行の先行技術であるMamba-YOLOtと比較して、YOLO-DyMiFアルゴリズムのmAP50が1％向上し、モデルパラメータ数が58.3％減少、計算量が42.3％減少したことを示している。提案モデルは高い検出精度を維持しつつ計算コストを大幅に削減でき、自動運転シーンにおける交通標識検出の信頼できる技術的支援を提供できる。

対象検出;交通標識;自動運転;マルチスケール対象;エッジコンピューティング