.png){kind=icon}
.png){kind=icon}
返回
A Structurally Optimized and Efficient Lightweight Object Detection Model for Autonomous Driving
.png){kind=icon}
OA
AI
DOI：10.3390/s26010054.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标检测在安全关键型应用中扮演着关键角色，包括自动驾驶、智能监控和无人飞行系统。然而，许多先进的目标检测器仍然高度消耗资源；其庞大的参数量和大运算量的浮点运算使得在精度和效率之间取得平衡变得困难，尤其是在计算预算受限的情况下。为缓解这一精度—效率权衡，我们提出了FE-YOLOv8，它是YOLOv8（You Only Look Once版本8）的一种轻量化且更有效的变体。具体而言，引入了两种架构改进：（1）嵌入到骨干网络和颈部结构中的C2f-Faster（Cross-Stage-Partial 2-Conv Faster Block）模块，其中PConv（部分卷积）在不降低表示能力的前提下剪枝冗余计算；（2）一种集成EMSConv（Efficient Multi-Scale Convolution）的EfficientHead检测头，以增强多尺度特征融合，同时简化头部设计并保持低计算复杂度。在SODA-10M数据集上的广泛消融实验和对比实验表明，FE-YOLOv8相较于基准YOLOv8减少了31.09%的参数量和43.31%的计算成本，同时实现了相当或更优的平均精度均值（mAP）。在BDD100K数据集上进行的泛化实验进一步验证了这些改进，表明FE-YOLOv8在YOLOv8系列中实现了精度与效率的良好平衡，并为轻量化目标检测器设计提供了新的架构见解。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。