基于YOLO-NPDL的复杂交通场景检测方法

打开文本图片集

摘要：为提高复杂交通场景下车辆目标检测模型的检测精度，以YOLOv8n（you only look once version8 nano）为基准模型，设计具有复合主干的Neck-ARW（包括辅助检测分支、RepBlock模块、加权跳跃特征连接）颈部结构，减少信息瓶颈造成沿网络深度方向的信息丢失;引人RepBlock结构重参数化模块，在训练过程中采用多分支结构提高模型特征提取性能;添加P2检测层捕捉更多小目标细节特征，丰富网络内小目标的特征信息流；采用Dynamic Head 自注意力机制检测头，将尺度感知、空间感知和任务感知自注意力机制融合到统一框架中，提高检测性能;采用基于层自适应幅度的剪枝（layer-adaptive magnitude based pruning，LAMP）算法，移除模型的冗余参数，构建YOLO-NPDL（Neck-ARW，P2，Dynamic Head，LAMP）车辆目标检测模型。（剩余21464字）