자율주행 시나리오에서 교통 표지판 대상이 작고 환경의 간섭을 받기 쉬워 검출 정확도가 낮으며, 차량 탑재 플랫폼의 연산 능력과 전력 소비가 제한되어 복잡한 모델을 지원하기 어려운 문제를 해결하기 위해 본 논문에서는 개선된 경량 검출 알고리즘인 YOLO-DyMiF(동적 믹서 및 특징 융합)를 제안한다. 해당 모델은 YOLOv10n을 기반으로 두 가지 개선을 포함한다: 첫째, 적응형 효율적 합성곱(Adaptive Efficient Conv, AEConv)을 기반으로 한 효율적 동적 믹서 구조(Efficient Dynamic Mixer Structure, EDMS)를 설계하여 C3k2 모듈에 삽입하여 C3k2_EDMS 모듈을 구성하고, YOLOv10n 모델 내 C2f 모듈을 대체하여 백본 네트워크의 특징 표현 능력을 유지하면서 매개변수 규모를 효과적으로 압축한다; 둘째, 계층별 다중 스케일 공간 향상 모듈(Hierarchical Multi-scale Spatial Enhancement, HMSE)을 중심으로 하는 동적 특징 융합 넥 네트워크를 설계하여 층 간 상호작용과 적응형 가중 융합을 통해 다중 스케일 특징 표현 능력을 향상시키고, 중대형 목표 검출 성능을 유지하면서 작은 교통 표지판 검출 정확도를 높인다. TT100K 데이터셋에서의 실험 결과, 현재 선도하는 Mamba-YOLOt와 비교하여 YOLO-DyMiF 알고리즘의 mAP50이 1% 향상되었고, 모델 파라미터 수는 58.3% 감소했으며, 연산량은 42.3% 감소하였다. 제안된 모델은 높은 검출 정확도를 유지하면서 계산 비용을 크게 절감할 수 있어 자율주행 시나리오에서 교통 표지판 검출에 신뢰할 수 있는 기술적 지원을 제공할 수 있다.

객체 검출;교통 표지판;자율주행;다중 스케일 객체;엣지 컴퓨팅