机构名称：
¥ 1.0
Yolov8由于其高速目标检测，精确的识别和定位以及多个平台的多功能兼容性，在自主驾驶领域中起着至关重要的作用。通过实时处理视频流或图像，yolov8迅速准确地确定了诸如车辆和行人在公路上的障碍，为自主驾驶系统提供了必要的视觉数据。此外，Yolov8支持各种任务，包括实例细分，图像分类和态度估计，从而为自主驾驶提供了全面的视觉感知，最终提高了驾驶安全性和效率。认识到对象检测在自主驾驶场景中的重要性以及现有方法所面临的挑战，本文提出了一种整体方法来增强Yolov8模型。该研究引入了两个关键修改：C2F_RFACONV模块和三重态注意机制。首先，在方法论部分中详细阐述了所提出的修改。C2F_RFACONV模块替换了原始模块以提高特征提取效率，而三重态注意机制则增强了功能焦点。随后，实验过程描述了培训和评估过程，涵盖了培训原始的Yolov8，整合了修改的模块以及使用指标和PR曲线评估性能改进。结果证明了修饰的功效，改进的Yolov8模型表现出显着的性能提高，包括增加的MAP值和PR曲线的改善。最后，“分析”部分阐明了结果并将其归因于引入的模块。C2F_RFACONV提高了特征提取效率，而三重态注意力提高了功能焦点，以增强目标检测。C2F_RFACONV提高了特征提取效率，而三重态注意力提高了功能焦点，以增强目标检测。
基于RFACONV和TRIPLET的注意自主驾驶图像检测的优化
主要关键词
相关文件推荐
