结合双路径骨干与Transformer增强的道路场景检测方法
简介：道路场景检测要求模型能够做出快速和精确的判断,然而在实际场景中由于目标尺度间的差异、误检及漏检情况,导致小模型不太准确,而大模型速度较慢.针对上述问题,提出一种结合双路径骨干与Transformer增强的道路场景检测方法(Dynamic-DANet).提出复合双路径骨干网络,通过级联高分辨率与低分辨率骨干,促进骨干网络语义特征与空间细节的交互.提出邻层特征交互网络,通过逐层地对相邻层特征进行拼接,并引入加权系数自适应地捕获不同层级特征,利用Transformer增强的自注意机制促进全局上下文信息的融合.应用MPDIoU边界回归损失函数,进一步简化模型计算量,加速模型收敛.以复合双路径骨干网络为基础,基于多尺度特征设计分类路由,实现模型动态决策.在KITTI和BDD100K数据集上验证所提方法的有效性,平均检测精度值(mAP)分别达到了88.7％和40.2％,检测速度(FPS)分别实现了每秒178帧和每秒166帧.相较于主流的YOLOv7-tiny、YOLOv8和YOLOv10等算法在评价指标数值和可视化效果上均有明显改善.实验结果表明,所提方法提升了复杂道路场景下的检测性能,并且实现了将两个静态检测器融合为一个动态检测器,以更优的计算消耗实现更佳的检测效果.展开
关键词：道路场景检测复合骨干网络视觉Transformer上下文信息动态推理MPDIoU边界损失
在线出版日期：2026-03-03 （网站首发日期）
