Con el rápido avance del transporte inteligente urbano y la conducción autónoma, la detección de múltiples objetivos en intersecciones complejas enfrenta problemas como la omisión de objetivos pequeños, el desenfoque por movimiento de objetivos en rápido desplazamiento, la dificultad para reconocer objetivos ocultos a larga distancia y el desequilibrio en el entrenamiento de muestras fáciles y difíciles. Los algoritmos existentes tienen dificultades para cumplir simultáneamente con la alta precisión y la capacidad de tiempo real. Este artículo propone un algoritmo de detección de objetivos de tráfico de doble rama Madulous basado en la fusión de mecanismos de atención múltiple. El algoritmo se basa en un YOLOv8n ligero, construye un marco paralelo de extracción de características de doble rama (DPFE), la fase de entrenamiento coopera entre la rama principal y auxiliar para extraer características; se incorpora un módulo de atención multiescala eficiente (EMA) en el módulo C2F de la red troncal para lograr una calibración doble de atención espacial y de canal; se introduce un módulo Swin Transformer en la red del cuello para ayudar a fusionar información contextual a mayor escala; se reestructura la función de pérdida de clasificación del modelo, mejorando de forma adaptativa el peso del entrenamiento de muestras difíciles basado en un umbral dinámico de IoU. Los experimentos comparativos muestran que el algoritmo alcanza un mAP@0.5 del 91.5%, una mejora de 2.5 puntos porcentuales sobre el YOLOv8n base; la velocidad de inferencia en la plataforma Edge EC-R3588SPC alcanza los 23.9 FPS, y el rendimiento de generalización en escenarios de tráfico como niebla y vigilancia aérea infrarroja es significativamente mejor que los algoritmos principales. El algoritmo Madulous logra un buen equilibrio entre precisión de detección y tiempo real, apoyando eficazmente la monitorización en tiempo real de objetivos de tráfico en intersecciones y ofreciendo una solución técnica fiable para reducir la tasa de accidentes de vehículos y vehículos no motorizados.

Ingeniería y control de la información del tráfico;Redes neuronales;Transformer;Atención múltiple;Detección de objetivos