주행 이미지 기반 객체 검출 방법은 주변 도로 환경 인식을 위한 저렴하고 효과적인 솔루션을 제공하지만, 동시에 검출 성능과 속도에 대한 높은 요구 사항을 제시한다. 본 논문에서는 딥러닝 기반 단일 단계 객체 검출 알고리즘 YOLOv3를 연구하고, 자기 주의 메커니즘을 결합하여 네트워크의 심층 구조에 가우시안 마스크 자기 주의 모듈을 삽입하여 합성곱 연산의 수용 영역 부족 문제를 완화하고 더 많은 전역 정보를 캡처하여 알고리즘의 검출 성능을 향상시켰다. 실험 결과, 개선된 모델은 MS COCO 2017 데이터셋에서 mAP@0.5 56.88%, 정밀도 65.31%를 달성했다. YOLOv3와 비교하여 mAP@0.5는 2.56%, 정밀도는 3.53% 향상되었다. 검출 속도는 다소 감소했지만 모델의 검출 성능이 크게 향상되어 운전자 지원 등의 응용에 더 잘 활용될 수 있다.

객체 검출;YOLOv3 네트워크;자기 주의;운전자 지원