【技术实现步骤摘要】
本专利技术涉及计算机视觉处理，特别涉及一种用于自动驾驶汽车的雪地目标检测方法。
技术介绍
1、在白雪皑皑的环境下，许多物体的信息会被大雪覆盖，物体信息严重缺失，并且在空中飘落雪花的时候，会造成视线模糊，以致于难以检测到目标，这极大地影响了自动驾驶过程中的安全性。
2、此外，由于大雪覆盖造成物体信息大量流失，使得传统的检测算法很难对目标进行辨别。关键细节的丢失，如颜色、形状和表面纹理，使区分不同类型的物体的任务变得复杂，包括行人、车辆和路牌等。
3、尽管最先进的模型cf-yolo在真实的雪场景中表现出了强大的性能，但它相对于yolov5s的改进仍然不理想，探究和研发更有效的方法仍然是一个颇具潜力的研究方向。目前迫切需要新的方法，可以结合雪景的复杂性，能够更可靠地实时检测和跟踪物体。解决这一需求对于确保自动驾驶系统的安全和可靠性至关重要，特别是在容易发生大雪的地区。
4、然而提高目标检测精度往往伴随着计算量的增加，在自动驾驶过程中，计算能力往往受到机载系统硬件能力的限制，因此关注轻量级设计至关重要。
5、所以目前急需一种轻量且高效的方法来应对复杂的雪景环境。
6、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息，构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
1、本专利技术的目的在于提供一种用于自动驾驶汽车的雪地目标检测方法，从而解决由于大雪覆盖造成物体信
2、为实现上述目的，本专利技术提供了一种用于自动驾驶汽车的雪地目标检测方法，包括：
3、步骤1、获取雪地数据集；
4、步骤2、对yolov8模型进行改进，提出多元特征学习模块(mfl)和轻量易融c2f(lf_c2f)以及关联性空间信息增强模块(asi enhancement)；
5、步骤3、训练改进后的模型并得到测试结果；
6、步骤4、进行消融实验，验证每个模块的有效性以及mfl模块的最优位置。
7、优选地，上述技术方案中，步骤1获取高质量的真实且公开的雪地数据集rsod，主要包含汽车、行人、交通信号灯等雪天进行自动驾驶时常遇到的事物。
8、优选地，上述技术方案中，步骤2对yolov8模型进行改进包括：
9、(1)将mfl模块安插在yolov8的主干部分的特定位置，因为受到了shufflenet模块的启发，本专利技术基于通道shuffle的结构重参数化卷积，称为rcs，并通过堆叠rcs使特征得到复用，并一次性聚合前面的rcs和repvgg的输出得到最终的输出结果，构成了本专利技术的mfl模块
10、(2)将原有的yolov8模型的颈部以及mfl安插后的剩余位置的c2f模块改为所提出的lf_c2f模块。其相比于传统的c2f的主要改进点是引入了lconv(lighter conv)，该卷积仅对部分输入通道进行卷积操作，如果只对1/4的通道进行计算，根据公式：
11、
12、它的flops只是传统卷积的1/16。另外，它的内存访问为：
13、
14、也只是传统卷积的1/4，这也使得模型更加地轻量化
15、(3)在原有地yolov8模型的sppf模块后面添加关联性空间信息增强模块(asienhancement)，该方法通过旋转张量以及卷积等操作，并通过聚合三个分支的输出加强了通道维度和空间维度之间的关联性，提高了模型对空间特征的关注度：
16、
17、其中，σ(·)是sigmoid激活函数,ψ1，ψ2，ψ3是三个分支中的标准卷积层。最后进行平均聚合：
18、
19、优选地，上述技术方案中，步骤3对rsod数据集的训练集进行训练，得到改进方法的训练后的高效检测模型。
20、优选地，上述技术方案中，步骤3将原始雪景图片输入到训练好的模型中，得到模型的测试结果，并且输出带目标预测框和置信度的预测图片。
21、优选地，上述技术方案中，步骤4在rsod数据集上进行消融实验包括，将每个模块进行组合训练。并且对每一种mfl模块可能安插在主干部分的情况进行了训练。得到每个模型的map50值和map50-95值以及gflops，并对具体结果进行比较。与现有技术相比，本专利技术具有如下有益效果：
22、(1)本专利技术是一种用于自动驾驶汽车的雪地目标检测方法，为了克服大雪覆盖导致信息缺失的问题，高效地捕获更多元且丰富的信息本专利技术提出了多元特征学习模块(mfl)来代替yolov8中特定位置的c2f，使模型能够捕捉更加多元的特征。此外为了加强模型对于空间信息的关注度，本专利技术提出了关联性空间信息增强模块(asi enhancement)，提高空间维度(w和h)和通道维度(c)之间依赖性。并且本专利技术还融入了lighter fusion c2f(lf_c2f)，使得本专利技术的方法在准确度高的同时拥有较低的计算量，极大地提高了恶劣环境下目标检测的效率。
23、(2)本专利技术是一种用于自动驾驶汽车的雪地目标检测方法，相比于传统的yolov8模型以及sota模型cf-yolo有了显著的性能提升，展现了其在雪地目标检测上的优越性。
本文档来自技高网...【技术保护点】
1.一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，步骤1获取高质量的真实且公开的雪地数据集RSOD，主要包含汽车、行人、交通信号灯等雪天进行自动驾驶时常遇到的事物。
3.根据权利要求1所述的一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，步骤2对YOLOv8模型进行改进包括：
4.根据权利要求1所述的一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，步骤3对RSOD数据集的训练集进行训练，得到改进方法的训练后的高效检测模型。
5.根据权利要求1所述的一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，步骤3将原始雪景图片输入到训练好的模型中，得到模型的测试结果，并且输出带目标预测框和置信度的预测图片。
6.根据权利要求1所述的一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，步骤4在RSOD数据集上进行消融实验包括，将每个模块进行组合训练，并且对每一种MFL模块可能安插在主干部分的情况进行了训练。得到每个模型的map50值和
...【技术特征摘要】
1.一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，步骤1获取高质量的真实且公开的雪地数据集rsod，主要包含汽车、行人、交通信号灯等雪天进行自动驾驶时常遇到的事物。
3.根据权利要求1所述的一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，步骤2对yolov8模型进行改进包括：
4.根据权利要求1所述的一种用于自动驾驶汽车的雪地目标检测方法，其特征在于，步骤3对rsod数据集的训练集进行训练，得...
【专利技术属性】
技术研发人员：向明超，张金来，宋晓龙，焦阮志，胡林，伍文广，黄笑，邹铁方，张志勇，张明军，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。