面向弱势道路使用者检测的GPL-YOLO：特征保留、上下文建模与定位质量感知优化

《Scientific Reports》：A global–local feature enhancement-based method for vulnerable road user detection

　　弱势道路使用者（VRU）检测在复杂交通场景中面临诸多挑战，包括深层特征传播过程中弱局部细节的退化、全局上下文聚合带来的背景主导响应，以及回归和正样本分配过程中定位质量区分度不足。为解决这些问题，本文提出了GPL-YOLO。首先，C3k2-GSB通过恒等分支保留细粒度纹理和边缘信息，同时通过级联GSB单元增强空间和全局-局部表示。其次，极化线性注意力（PLA）将高效全局交互与极化映射和门控调制相结合，在多尺度特征融合过程中抑制背景干扰。第三，将Focal-Wise IoU与改进的任务对齐标签分配（TAL）相结合，将定位质量感知优化引入边界框回归和正样本选择两个环节。在KITTI_VRU上，GPL-YOLO实现了90.5%的精确率、78.6%的召回率、87.4%的mAP50和55.8%的mAP50-95，参数量为3.093 M，计算量为7.8 GFLOPs。在BDD100K_VRU上的额外评估表明，在共享的行人/自行车标签空间下，该方法相较于YOLOv11n有一致的性能提升。这些结果验证了本文提出的互补改进在特征保留、上下文建模和定位质量感知优化方面的有效性。