O método de detecção de objetos baseado em imagens de condução fornece uma solução barata e eficaz para perceber o ambiente rodoviário circundante, mas também impõe altos requisitos para a eficácia e velocidade da detecção. Este artigo investiga o algoritmo de detecção de objetos de uma etapa baseado em aprendizado profundo YOLOv3, combinando o mecanismo de autoatenção. Um módulo de autoatenção com máscara gaussiana é incorporado nas camadas profundas da rede para aliviar a limitação do campo receptivo das operações convolucionais, capturando mais informações globais e melhorando o desempenho do algoritmo. Os resultados experimentais mostram que o modelo melhorado alcançou mAP@0,5 de 56,88% e precisão de 65,31% no conjunto de dados MS COCO 2017. Em comparação com o YOLOv3, o mAP@0,5 aumentou 2,56% e a precisão aumentou 3,53%. Embora a velocidade de detecção tenha sofrido alguma perda, a eficácia do modelo foi aumentada de maneira eficaz, podendo suportar melhor aplicações como assistência ao motorista.

Detecção de objetos;Rede YOLOv3;Autoatenção;Assistência ao motorista