Com o rápido avanço no transporte inteligente urbano e na condução autônoma, a detecção de múltiplos alvos em cruzamentos complexos enfrenta problemas como a omissão de pequenos alvos, desfoque de movimento para alvos em alta velocidade, dificuldade no reconhecimento de obstruções em longa distância e desequilíbrio no treinamento entre amostras fáceis e difíceis. Os algoritmos existentes têm dificuldade em atender simultaneamente às demandas de alta precisão e tempo real. Este artigo propõe o algoritmo de detecção de alvos de tráfego de dois ramos Madulous baseado na fusão de múltiplos mecanismos de atenção. O algoritmo é baseado no leve YOLOv8n, constrói um framework paralelo de extração de características de dois ramos (DPFE), a fase de treinamento coopera entre ramos principal e auxiliar para extração de características; um módulo de atenção multiescala eficiente (EMA) é incorporado no módulo C2F da rede principal para realizar calibração dupla de atenção espacial e de canal; um módulo Swin Transformer é introduzido na rede do pescoço para auxiliar a fusão de informações contextuais em maior escala; a função de perda de classificação do modelo é reconstruída, melhorando adaptativamente o peso do treinamento de amostras difíceis com base em um limiar dinâmico de IoU. Experimentos comparativos mostram que o algoritmo atinge mAP@0.5 de 91,5%, uma melhoria de 2,5 pontos percentuais em relação ao YOLOv8n base; a velocidade de inferência na plataforma Edge EC-R3588SPC alcança 23,9 FPS, com desempenho de generalização significativamente superior em cenários de tráfego como neblina e filmagem aérea infravermelha. O algoritmo Madulous alcança um bom equilíbrio entre precisão de detecção e tempo real, apoiando efetivamente o monitoramento em tempo real de alvos de tráfego em cruzamentos e oferecendo uma solução técnica confiável para reduzir a taxa de acidentes de veículos e veículos não motorizados.

Engenharia e controle da informação de trânsito;Redes neurais;Transformer;Atenção múltipla;Detecção de alvos