LMFE-Net：面向复杂场景的轻量化多尺度行人特征增强网络及其在智能监控与自动驾驶中的应用价值

本文提出LMFE-Net（Lightweight Multi-scale Feature Enhancement Network），通过多尺度渐进特征聚合（MS-PFA）、自适应边界特征增强网络（ABFEN）和轻量化质量增强共享检测头（LQS-Detect）等创新模块，显著提升复杂场景下行人检测的mAP50指标，同时将参数量降至0.5M、计算量降至6.0 GFLOPs，为嵌入式部署提供高效解决方案。

　　

Highlight

(1) 在骨干网络中构建多尺度渐进特征聚合结构（Multi-scale Progressive Feature Aggregation, MS-PFA），增强模型对复杂场景中不同尺度行人目标的特征提取能力，实现特征提取性能与计算效率的双重优化。

(2) 改进颈部结构，设计自适应边界特征增强网络（Adaptive Boundary Feature Enhancement Network, ABFEN），结合轻量化混合卷积增强模块（Lightweight Hybrid Convolution Enhancement Module, LHCEM）和边界特征互补增强模块（Boundary Feature Complementary Enhancement, BFCE），高效捕获行人目标信息，显著提升检测精度。

(3) 设计轻量化质量增强共享检测头（Lightweight Quality-enhanced Shared Detection Head, LQS-Detect），通过共享卷积和位置质量估计机制，解决原检测网络参数冗余和位置质量评估不足的问题，大幅减少参数量，使模型更加轻量化。

(4) 采用Inner-MPDIoU作为边界框回归损失函数，通过收缩边界框后计算重叠度，更关注可见部分的匹配质量，提升模型对复杂遮挡场景的鲁棒性。

(5) 通过层自适应幅度剪枝（Layer-Adaptive Magnitude-based Pruning, LAMP）进一步降低网络复杂度，通过逐层自适应评估和移除不重要连接，优化模型结构并减少冗余计算。

Conclusion

本文主要针对复杂场景中行人目标检测存在的漏检、误检、模型过大和计算成本高等问题，提出了一种轻量化行人特征增强网络。首先设计MS-PFA模块增强骨干网络对不同尺度行人特征提取能力；其次改进颈部网络，设计ABFEN实现更高效的多特征融合以减少信息丢失；最后设计LQS-Detect检测头解决原检测头参数冗余问题，并结合Inner-MPDIoU损失函数提升遮挡场景检测性能。实验表明，本算法在保持轻量化的同时显著提升了检测精度。未来将进一步优化模型结构并探索更多实际应用场景。