El método de detección de objetos basado en imágenes de conducción proporciona una solución económica y eficaz para percibir el entorno vial circundante, pero también impone altos requisitos en la efectividad y velocidad de la detección. Este artículo estudia el algoritmo de detección de objetos de una etapa basado en aprendizaje profundo YOLOv3, combinando un mecanismo de autoatención. Se insertó un módulo de atención automática con máscara gaussiana en las capas profundas de su red para mitigar la limitación del campo receptivo de las operaciones convolucionales, capturando más información global y mejorando el rendimiento del algoritmo. Los resultados experimentales muestran que el modelo mejorado alcanzó un mAP@0.5 de 56.88% y una precisión del 65.31% en el conjunto de datos MS COCO 2017. En comparación con YOLOv3, el mAP@0.5 aumentó un 2.56% y la precisión un 3.53%. Aunque la velocidad de detección sufrió una leve pérdida, se mejoró eficazmente el rendimiento del modelo, lo que puede soportar mejor aplicaciones como la conducción asistida.

Detección de objetos;Red YOLOv3;Autoatención;Conducción asistida