.png){kind=icon}
返回
RTL-Net: real-time lightweight Urban traffic object detection algorithm
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-01875-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于遥感图像的城市交通目标检测算法通常面临高复杂度、低实时性和低精度的问题。为解决这些挑战，我们提出了RTL-Net，一种基于You Only Look Once (YOLO) v8s的城市交通目标检测网络结构。为提升实时性能超越基准，我们对损失函数、骨干网络、颈部结构和头部组件实施了轻量化设计。首先，引入了Powerable-IoU (PIoU)损失函数，使算法更适应不同尺度的目标并减少误检。其次，替换为轻量级共享卷积检测（LSCD）头部，确保检测性能并显著提升算法的轻量化程度。此外，本文引入了Dilation-wise Residual (DWR)模块，以促进算法对细节特征的提取。同时，我们优化了Bidirectional Feature Pyramid Network (Bi-FPN)，实现多特征融合，提高整体特征集成与性能。实验训练使用了VisDrone2021数据集。实验结果表明，所提算法在参数量上实现了43.9%的显著减少，计算复杂度降低18.9%。此外，检测精度提升了2.3%，同时保持了263.2帧/秒的实时检测速度。对于边缘计算目标检测，该方法在速度和精度上均优于YOLOv8s及领先遥感算法，在参数相近的单阶段检测器中达到了当前最优性能。
Keyword:
Remote sensing
Feature fusion
Lightweight
Real-time detection
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
.png){kind=icon}
分享收藏
Efficient Inductive Vision Transformer for Oriented Object Detection in Remote Sensing Imagery用于遥感影像中面向对象检测的高效感应视觉转换器
PREAI
分享收藏
查看更多内容