面向阴影检测的空间特征与权重调整损失优化Tiny YOLO模型研究及其在边缘计算中的应用

本文推荐一种创新轻量化目标检测模型NS-YOLO，其通过引入全局注意力机制（GAM）、多尺度空间注意力（MSSA）和空间金字塔池化（SPP）模块增强特征提取能力，并采用权重调整CIOU损失函数提升边界回归精度。该模型在SBU与ISTD数据集上实现了59.2% mAP的检测精度，仅需35.6 BFLOPs计算量，显著优于现有轻量级YOLO变体（如Tiny YOLO、YOLO Nano），特别适用于实时视频监控与高级驾驶辅助系统（ADAS）等资源受限场景。

　　

亮点（Highlights）

• •
  提出NS-YOLO模型，集成全局注意力机制（GAM）、多尺度空间注意力（MSSA）和空间金字塔池化（SPP）模块，有效聚合多尺度上下文信息
• •
  设计权重调整CIOU损失函数，显著提升阴影边界定位精度与回归效率
• •
  在SBU和ISTD数据集上实现59.2% mAP，仅消耗35.6 BFLOPs，较2017-2025年间Tiny YOLO与YOLO Nano模型提升2.5%-50.1%
• •
  模型适用于边缘设备部署，支持实时视频监控与ADAS系统应用

评估与结果（Evaluations and results）

实验在Google Colab Pro平台开展，配置12GB RAM与16GB GPU。所有模型均以608×608输入尺寸训练4000次迭代，批大小为32，动量0.9，衰减率0.0005，学习率0.0261。评估指标包括精度（Precision）、召回率（Recall）、F1分数（F1 Score）和平均精度均值（mAP）。NS-YOLO取得91%精度、85%召回率、89% F1分数及59.2% mAP，显著优于对比模型。

结论（Conclusion）

NS-YOLO作为一种轻量化阴影检测模型，通过融合注意力机制与多尺度特征提取模块，在保持低计算开销（35.6 BFLOPs）的同时实现高精度检测（59.2% mAP）。其卓越性能与低资源需求特性，使其成为实时边缘计算场景（如视频监控与ADAS）的理想解决方案。