MP-YOLO：基于多维特征融合的层自适应剪枝YOLO算法，用于密集车辆目标检测

《Journal of Visual Communication and Image Representation》：MP-YOLO: multidimensional feature fusion based layer adaptive pruning YOLO for dense vehicle object detection algorithm

提出基于YOLOv8优化的MP-YOLO轻量级目标检测算法，通过多尺度特征融合模块（MSFB/HFF）、160*160小目标检测头、WIoU损失函数及LAMP剪枝实现精度提升4.7%（AP50）和模型压缩62.3%（6MB→2.2MB），适配边缘设备部署。

　　近年来，随着人工智能技术的快速发展，其在自动驾驶领域的应用日益广泛。然而，尽管人工智能在提高自动驾驶系统性能方面展现出巨大潜力，但当前仍面临一些关键挑战。其中，人工智能模型的高能耗问题限制了其在边缘设备上的部署，而自动驾驶中目标检测所需的高精度也对算法提出了更高的要求。为了解决这些问题，本研究提出了一种轻量级的车辆目标检测算法——MP-YOLO（Multidimensional feature fusion and layer adaptive pruning YOLO），该算法在保持检测精度的同时显著降低了模型的体积，从而更适合在资源受限的边缘设备上运行。

在自动驾驶系统中，目标检测是实现环境感知和决策控制的重要环节。它不仅需要识别道路上的各类车辆和非机动车，还要准确判断它们的位置、姿态以及与其他物体的相对关系。然而，随着交通环境的复杂化，传统的目标检测方法在面对密集遮挡、小目标识别等场景时，往往会出现检测精度下降、模型体积庞大等问题。因此，如何在不牺牲检测精度的前提下，设计一种轻量化、高效的检测算法，成为当前研究的热点。

本研究以YOLOv8算法为基础，对其进行了多方面的优化。首先，引入了两种多尺度特征融合模块：MSFB（Multi-Scale Feature Fusion Block）和HFF（Hierarchical Feature Fusion）。MSFB模块通过两个卷积操作和一个自定义的特征融合操作，将不同尺度的特征进行有效整合，从而增强模型对多尺度目标的识别能力。HFF模块则采用了一种自适应的三维特征融合策略，能够更精确地捕捉输入特征中的空间和通道关系。通过引入这两种模块，模型在处理复杂交通场景时能够更好地理解目标的上下文信息，从而提高检测的准确性。

其次，为了提升小目标的检测能力，本研究在检测头部分添加了一个160×160尺寸的检测头。这一设计专门针对小目标的识别需求，通过与前面提到的MSFB和HFF模块进行深度融合，使得小目标的特征能够更充分地被提取和利用。这不仅有助于提升小目标的识别率，还确保了检测头与融合后的特征图之间的兼容性，从而避免了信息丢失或不匹配的问题。

此外，本研究还对YOLOv8原有的CIOU损失函数进行了改进，提出了一种新的WIoU（Weighted IoU）损失函数。该损失函数能够更有效地处理道路场景中目标之间高度重叠的问题，从而在训练过程中引导模型学习到更精确的边界框回归能力。通过这一改进，模型在保持较高检测精度的同时，能够更准确地识别重叠目标，提高整体的检测性能。

为了进一步降低模型的体积，本研究采用了基于LAMP（Layer Adaptive Magnitude-based Pruning）评分的全局剪枝方法。LAMP方法通过分析每一层的权重分布，对模型进行逐层剪枝，从而在不显著影响检测性能的前提下，有效压缩模型的参数量和计算量。这种方法不仅能够减少模型的存储需求，还能够在推理过程中降低计算负担，使模型更适用于边缘设备的部署。

为了验证MP-YOLO算法的有效性，本研究在最新的自动驾驶数据集DAIR-V2X上进行了实验测试。该数据集包含了丰富的道路场景信息，涵盖了多种类型的车辆和非机动车，以及不同的天气和光照条件，具有很高的挑战性和代表性。实验结果显示，MP-YOLO在保持较高检测精度的同时，显著降低了模型的体积。具体而言，模型的AP50指标提升了4.7%，AP指标提升了4.2%，而模型体积则从最初的6MB减少到了2.2MB。这一结果表明，MP-YOLO在精度和体积之间取得了良好的平衡，相较于其他经典的检测模型，具有更强的竞争力。

在实际应用中，边缘设备通常具有有限的计算能力和存储空间，因此，模型的轻量化和高效性至关重要。MP-YOLO的设计理念正是基于这一需求，通过多尺度特征融合、小目标检测头的引入以及损失函数的优化，使模型能够在保证检测精度的同时，适应边缘设备的运行环境。此外，LAMP方法的引入使得模型在部署时能够进一步减少计算资源的消耗，从而提高系统的实时性和稳定性。

本研究的主要贡献在于提出了MP-YOLO算法，通过引入多尺度特征融合模块、改进损失函数以及采用高效的剪枝方法，实现了检测精度与模型体积的优化。实验结果表明，MP-YOLO在DAIR-V2X数据集上的表现优于其他经典检测模型，具有广泛的应用前景。未来的研究方向可能包括进一步优化模型的推理速度，提高其在不同环境下的鲁棒性，以及探索其在其他自动驾驶相关任务中的应用潜力。

在自动驾驶技术的不断发展过程中，目标检测算法的优化始终是关键环节之一。MP-YOLO的提出不仅为解决当前自动驾驶系统中的性能瓶颈提供了新的思路，也为边缘计算和人工智能在实际场景中的应用奠定了基础。随着自动驾驶技术的普及，轻量化、高精度的目标检测算法将成为推动其发展的核心动力。因此，MP-YOLO的研究成果对于提升自动驾驶系统的智能化水平、降低部署成本以及推动自动驾驶技术的广泛应用具有重要意义。