电讯技术

作者：韩雪娟,瞿中

单位：(1.重庆邮电大学 计算机科学与技术学院，重庆 400065;2.新疆财经大学 会计学院，乌鲁木齐 830012)

关键词：交通场景；目标检测；参数稀疏化；注意力机制；

基金：国家自然科学基金资助项目（62176034）

尽管基于深度学习的目标检测在交通场景的应用已经取得了一定的进展，但复杂交通场景多目标精度与速度的博弈仍然是个挑战。大多数提升精度的方法都是参数密集型的，大大增加了模型的参数量。针对这一难题，提出了基于YOLOv8的稀疏参数模型，实现在降低参数量的同时提升模型的召回率和检测精度。首先使用简单注意力机制（Simple Attention Mechanism，SimAM）以建立更强劲的骨干网络提取特征；其次提出轻量化的内容感知特征重组模块（Lightweight Content-Aware ReAssembly of Features，L-CARAFE）代替上采样操作，在一个更大的感受野上聚合上下文信息；最后通过稀疏参数的多解耦头，在降低参数量的同时提升模型的检测精度。由于交通场景的复杂性，不仅通过KITTI数据集验证模型的有效性，还通过COCO数据集验证模型的泛化性。该模型在公开的数据集上均能大幅提升召回率和平均精度（mean Average Precision，mAP），其中，nano在KITTI数据集上以2.95 的参数量使召回率和mAP分别提高了3.1%和0.9%，小模型在COCO数据集上的mAP@0.5达到60.6%。

来源：2025年第5期

《电讯技术》期刊编辑部

查看电讯技术杂志2025年第5期