현재 자율주행 목표 검출 알고리즘이 단일 또는 소수 종류의 목표 검출, 목표 누락 및 오검출 등의 문제를 안고 있는 것에 대응하여, 본 논문에서는 YOLOv8s를 기반으로 개선된 자율주행 목표 검출 알고리즘을 제안하였다. 해당 알고리즘은 YOLOv8s의 백본 네트워크 내 일부 일반 컨볼루션을 RepConv(재매개변수화 컨볼루션)로 대체하여 목표 인식 능력을 향상시키는 동시에 계산 복잡도와 메모리 사용량을 줄여 모델 효율을 개선하였다. 또한, 네트워크 목 부위 C2f 후단에 효율적인 다중 스케일 주의 메커니즘(Efficient Multi-scale Attention, EMA)을 추가하여 특징 집중도 및 모델 수렴 속도를 향상시켰다. 둘째, 네트워크 헤드에 P2 검출 헤드를 추가하여 작은 목표에 대한 검출 능력을 강화하였다. 마지막으로, 동적 비단조 집중 메커니즘 및 그래디언트 이득 분배 전략을 활용하는 WIoU(Wise-IoU) 손실 함수를 채택하여 검출기 전반의 성능을 향상시켰다. 수작업으로 라벨링된 Car 데이터셋에서 개선된 모델은 mAP50과 mAP(50-95)에서 각각 81.2%와 58.4%를 기록하여 YOLOv8s 모델 대비 각각 1.5%, 1.2% 향상되었으며; 정밀도(Precision, P)와 재현율(Recall, R)이 각각 1.9%, 0.8% 상승하였고; 파라미터 수는 11.14M에서 10.87M으로 감소하였다. 개선된 모델은 기준 모델에 비해 파라미터 수를 줄이면서 검출 정확도를 높여 자율주행 과제에 더 적합하다.

자율주행;목표 검출;YOLOv8s;EMA;Wise-IoU