每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

SBP-YOLO：面向智能车辆悬架系统的减速带和坑洼检测轻量级实时模型

Created by
  • Haebom

作者

梁传奇、付杰、苗宇、罗雷

大纲

本文提出了一个深度学习框架SBP-YOLO，用于高效检测嵌入式系统中的减速带和坑洼。基于YOLOv11n，我们集成了GhostConv和VoVGSCSPC模块，以降低计算复杂度并增强多尺度语义特征。此外，我们通过P2级分支提升了小目标检测能力，并通过使用轻量级检测头保持了准确率。混合训练策略（NWD损失、BCKD知识蒸馏和基于Albumentations的增强）增强了在各种道路和环境条件下的鲁棒性。实验结果表明，SBP-YOLO的mAP达到87.0%，比YOLOv11n提升了5.8%。基于TensorRT FP16量化，我们在Jetson AGX Xavier上以139.5 FPS的速度运行该框架，证明了其在嵌入式悬架控制系统中的适用性。

Takeaways，Limitations

•
Takeaways：
◦
我们提出了一种高效的深度学习模型，专门用于嵌入式系统中的减速带和坑洼检测。
◦
使用 GhostConv、VoVGSCSPC 模块、P2 级分支和 LEDH 降低了计算复杂度并提高了准确性。
◦
通过混合训练策略确保在不同环境条件下的稳健性。
◦
在实时性能和准确性方面表现出了优异的效果。
•
Limitations：
◦
由于它基于 YOLOv11n，因此可能无法完全克服 YOLO 系列模型的一般局限性（例如小物体检测）。
◦
需要进一步研究各种道路环境和天气条件下的泛化性能。
◦
缺乏与其他轻量级物体检测模型的比较分析。
👍
Made with Slashpage