С быстрым развитием интеллектуального городского транспорта и автономного вождения, обнаружение множества целей на сложных перекрестках сталкивается с проблемами пропуска малых объектов, размытости движущихся на высокой скорости объектов, трудностями распознавания при долгом затенении и дисбалансом обучения между сложными и простыми образцами. Существующие алгоритмы трудно одновременно удовлетворяют требованиям высокой точности и времени работы в реальном времени. В данной статье предлагается метод обнаружения транспортных целей с двумя ветвями Madulous, основанный на объединении множественных механизмов внимания. Алгоритм построен на базе облегченного YOLOv8n, создает параллельную двухветвевую структуру извлечения признаков (DPFE), при обучении главная и вспомогательная ветви совместно извлекают признаки; в модуле C2F главной сети встроен эффективный мульти масштабирующий механизм внимания (EMA) для двойной пространственной и канальной калибровки внимания; в шейном сегменте сети введен модуль Swin Transformer для интеграции более широкого контекстного информации; перестроена функция потерь классификации модели с динамическим адаптивным порогом IoU для повышения веса обучения сложных примеров. Сравнительные эксперименты показали, что алгоритм достигает mAP@0.5 в 91,5%, что на 2,5% выше, чем у базового YOLOv8n; скорость инференса на краевой платформе EC-R3588SPC достигает 23,9 FPS, а в условиях тумана, инфракрасных воздушных съемок и других транспортных сценариях обобщающая способность существенно лучше по сравнению с основными алгоритмами. Алгоритм Madulous обеспечивает хороший баланс между точностью обнаружения и временем работы в реальном времени, эффективно поддерживает мониторинг транспортных целей на перекрестках и предоставляет надежное техническое решение для снижения аварийности транспортных средств и немоторизованных транспортных средств.

Инженерия транспортной информации и управление;Нейронные сети;Transformer;Множественное внимание;Обнаружение целей