
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种用于远距离小型交通标志检测的自适应多尺度轻量级网络
《Scientific Reports》:An adaptive multi-scale lightweight network for long-distance small traffic sign detection
【字体: 大 中 小 】 时间:2026年03月14日 来源:Scientific Reports 4.9
编辑推荐:
摘要自动驾驶系统在确保安全高效的导航过程中,极度依赖对远处小型交通标志的精准识别。然而,现有的检测算法面临着诸多挑战,包括难以捕捉小型目标的细微视觉特征、复杂背景干扰带来的负面影响,以及需要通过计算效率较高的模型实现实时处理。为解决这些问题,我们提出了YOLO-AML,该模型通过
自动驾驶系统在确保安全高效的导航过程中,极度依赖对远处小型交通标志的精准识别。然而,现有的检测算法面临着诸多挑战,包括难以捕捉小型目标的细微视觉特征、复杂背景干扰带来的负面影响,以及需要通过计算效率较高的模型实现实时处理。为解决这些问题,我们提出了YOLO-AML,该模型通过无参数空间变换和低通道卷积操作有效降低了计算复杂度,同时还能保留小型物体的精细特征。所设计的基于归一化的注意力机制,结合sigmoid和tanh函数,采用混合门控机制精确调控注意力权重分布,从而在不对计算效率造成额外负担的情况下抑制背景噪声。此外,集成在主干网络中的C2PSA-LSKA(CLSKA)模块在减少参数数量的同时提升了模型的感受野范围,有效解决了交通标志被背景干扰而无法被识别的问题。另外,还引入了归一化沃什堡距离损失函数,以解决处理极小型物体时常见的梯度消失问题。实验结果表明,优化后的模型参数总量减少了17%,计算复杂度降低了16.8%,检测速度可达72.2帧/秒,检测精度提升了2.0%。Grad-CAM热图分析进一步证明了该模型在特征区分能力及抗背景干扰能力方面的提升。总体而言,YOLO-AML在复杂的真实驾驶场景下展现了显著的检测性能提升。