自动驾驶场景下的目标检测面临复杂环境干扰、多尺度目标分布及目标遮挡等挑战,现有算法在特征融合能力、细节表征精度和定位回归性能方面仍存在不足。为此,提出了一种改进的YOLOv8检测算法DMP-YOLO。使用多分支辅助特征金字塔网络(Mult...自动驾驶场景下的目标检测面临复杂环境干扰、多尺度目标分布及目标遮挡等挑战,现有算法在特征融合能力、细节表征精度和定位回归性能方面仍存在不足。为此,提出了一种改进的YOLOv8检测算法DMP-YOLO。使用多分支辅助特征金字塔网络(Multi-Branch Auxiliary Feature Pyramid Network, MAFPN)优化原颈部结构,增强复杂交通场景中的多尺度特征融合能力;在骨干网络中提出C2f_DEConv模块,将标准卷积替换为细节增强卷积(Detail-Enhanced Convolution, DEConv),通过高频特征保持与局部纹理强化,显著提升对小尺度车辆及遮挡目标的细节捕捉能力;引入PIoUv2(Powerful Intersection over Union version 2)损失函数优化改进边界框损失,通过动态尺度敏感因子与几何约束优化,改善目标边界框的回归精度。在KITTI数据集上的实验表明,DMP-YOLO的各项性能指标都有显著提升,其中mAP@0.5达到89.0%,较基线YOLOv8提升了2.6个百分点,mAP@0.5:0.95提升了2.9个百分点,为自动驾驶场景下的高精度实时检测提供了有效解决方案。展开更多
文摘自动驾驶场景下的目标检测面临复杂环境干扰、多尺度目标分布及目标遮挡等挑战,现有算法在特征融合能力、细节表征精度和定位回归性能方面仍存在不足。为此,提出了一种改进的YOLOv8检测算法DMP-YOLO。使用多分支辅助特征金字塔网络(Multi-Branch Auxiliary Feature Pyramid Network, MAFPN)优化原颈部结构,增强复杂交通场景中的多尺度特征融合能力;在骨干网络中提出C2f_DEConv模块,将标准卷积替换为细节增强卷积(Detail-Enhanced Convolution, DEConv),通过高频特征保持与局部纹理强化,显著提升对小尺度车辆及遮挡目标的细节捕捉能力;引入PIoUv2(Powerful Intersection over Union version 2)损失函数优化改进边界框损失,通过动态尺度敏感因子与几何约束优化,改善目标边界框的回归精度。在KITTI数据集上的实验表明,DMP-YOLO的各项性能指标都有显著提升,其中mAP@0.5达到89.0%,较基线YOLOv8提升了2.6个百分点,mAP@0.5:0.95提升了2.9个百分点,为自动驾驶场景下的高精度实时检测提供了有效解决方案。
