改进YOLOv8的雾天目标检测算法：BRES-YOLO

雾天场景下能见度降低,车辆在雾中捕获的目标信息模糊且不完整,易发生误检与漏检问题,文中提出一种改进YOLOv8的雾天目标检测算法(BRES-YOLO)。首先,引入BiFormer替代骨干特征提取网络,捕获不同的语义特征以提升模型的检测精度;其次,在颈部网络中加入EMA模块,以增强模型对目标的关注度,引入SPD-Conv替代原始模型中的Conv,提高在处理低分辨率图像和小目标时的检测性能,使用MPDIoU代替原损失函数,提高检测框的定位精度和分类性能;最后,引入C2f-RepGhost结构替代原有的C2f模块,使模型轻量化,并减小模型的计算复杂度。实验结果表明,与YOLOv8n模型相比,BRES-YOLO模型在RTTS数据集上的平均精度均值mAP@0.5提高了5.8%,mAP@0.5:0.95提高了5.4%。综上所述,BRES-YOLO模型可以更准确地完成雾天场景的目标检测任务。

资料为PDF文档格式.

本文档关键词:测算,改进,目标,YOLOv8,BRES