基于YOLO-NPDL的復(fù)雜交通場景檢測方法

打開文本圖片集

摘要：為提高復(fù)雜交通場景下車輛目標(biāo)檢測模型的檢測精度，以YOLOv8n（you only look once version8 nano）為基準(zhǔn)模型，設(shè)計(jì)具有復(fù)合主干的Neck-ARW（包括輔助檢測分支、RepBlock模塊、加權(quán)跳躍特征連接）頸部結(jié)構(gòu)，減少信息瓶頸造成沿網(wǎng)絡(luò)深度方向的信息丟失;引人RepBlock結(jié)構(gòu)重參數(shù)化模塊，在訓(xùn)練過程中采用多分支結(jié)構(gòu)提高模型特征提取性能;添加P2檢測層捕捉更多小目標(biāo)細(xì)節(jié)特征，豐富網(wǎng)絡(luò)內(nèi)小目標(biāo)的特征信息流；采用Dynamic Head 自注意力機(jī)制檢測頭，將尺度感知、空間感知和任務(wù)感知自注意力機(jī)制融合到統(tǒng)一框架中，提高檢測性能;采用基于層自適應(yīng)幅度的剪枝（layer-adaptive magnitude based pruning，LAMP）算法，移除模型的冗余參數(shù)，構(gòu)建YOLO-NPDL（Neck-ARW，P2，Dynamic Head，LAMP）車輛目標(biāo)檢測模型。（剩余21464字）