一种融合通道–空间注意力与动态加权损失的基于YOLOv8的实时道路拥堵决策方法

《Sensors》：A YOLOv8-Based Real-Time Road Congestion Decision-Making Approach Fused with Channel–Spatial Attention and Dynamic Weighted Loss

　　

传统目标检测模型在高密度城市交通场景中会出现显著的性能退化。为解决这些关键局限性并实现精确的实时道路拥堵决策，本研究提出了一种优化的基于YOLOv8的检测范式，该范式将多尺度特征增强与动态聚焦边界框回归解耦。具体而言，研究人员设计了一个多尺度特征增强模块（MFE），用于直接从YOLOv8骨干网络的P2层提取高分辨率浅层特征。随后，在特征融合颈部网络中嵌入卷积块注意力模块（CBAM），以自适应滤除复杂城市背景噪声，并重新校准车辆目标显著性的通道–空间特征响应。此外，采用Wise-IoU（WIoU）动态聚焦损失函数替代标准CIoU损失，以抑制低质量、遮挡样本引起的梯度干扰，并稳定密集车辆目标的边界框回归。高精度车辆检测输出被输入至定量化拥堵指数（CI）模型，该模型融合车辆密度与平均速度，实现实时拥堵等级分类。基于公开UAVDT基准数据集的大量实验表明，所提出模型的mAP@0.5达到83.1%，较YOLOv8基线提高3.8个百分点；mAP_S（小目标）达到23.2%，提高4.3个百分点；实时拥堵决策准确率达到83.8%。消融实验验证了MFE、CBAM和WIoU模块的独立有效性与协同有效性，其中MFE模块对小目标检测性能贡献最大，使mAP@0.5提高1.7%。在NVIDIA RTX 3090 GPU上，所提出模型保持了86 FPS（frames per second）的实时推理速度，显著高于实时交通监测所需的30 FPS阈值。

该论文发表于《Sensors》，围绕无人机（UAV）高空交通监测场景下的车辆检测与道路拥堵实时决策问题，提出了一个面向任务的增强型YOLOv8一阶段检测与决策一体化框架。研究背景在于，快速城市化和机动车保有量持续增长使交通拥堵成为全球城市基础设施治理中的突出瓶颈，拥堵不仅增加出行时间，还带来能源消耗上升与空气污染加剧。传统地面交通监测手段，如环形线圈检测器与微波传感器，存在覆盖范围有限、维护成本高、复杂路网适应性差等不足。相比之下，无人机与固定高空监控平台具备视野广、部署灵活、成本较低和实时采集能力强等优势，因此逐渐成为智能交通系统的重要感知手段。
然而，将通用目标检测器直接部署到无人机高空交通图像上，会面临多个结构性问题。第一，远距离车辆在图像中通常仅占5–20个像素，连续下采样会造成浅层高分辨率细节丢失，小目标特征被严重稀释。第二，城市道路场景背景复杂，建筑阴影、车道线、绿化带、行人与非机动车等容易与车辆形成外观混淆，导致误检增加。第三，拥堵场景下车辆密集、相互遮挡明显，大量低质量样本会干扰边界框回归；标准完全交并比损失（CIoU）对不同质量样本同等赋权，容易造成梯度下降偏移，降低定位稳定性。这些因素进一步影响下游车辆计数、速度估计和拥堵状态判定，限制了实时交通决策的可靠性。基于此，研究人员开展了针对YOLOv8的轻量化定向增强研究，并将检测结果直接连接到拥堵指数模型，构建了从高空视频感知到拥堵等级输出的闭环流程。论文结论表明，所提出框架能够在保持实时性的前提下，同时提升车辆检测精度、小目标检测能力以及拥堵决策准确率，具有明确的智能交通应用价值。

研究人员采用的主要关键技术方法可概括如下：以YOLOv8s为基线检测器，在颈部网络前引入多尺度特征增强模块（MFE），构建短路径P2-P3-P4特征流，以增强浅层高分辨率信息参与；在PAN–FPN融合路径中嵌入卷积块注意力模块（CBAM），实现通道注意力与空间注意力联合重标定；在回归分支中以Wise-IoU（WIoU）替代CIoU并保留分布焦点损失（DFL），增强低质量样本回归鲁棒性；采用ByteTrack进行跨帧车辆身份关联，结合序列级标定与三帧滑动平均估计车辆平均速度；最终基于公开UAVDT数据集构建并验证融合车辆密度与平均速度的拥堵指数（CI）模型。

以下结合论文主体结构对研究结果进行解读。

3.2.1. Information Dilution of Small Distant Vehicles
论文首先指出，YOLOv8在无人机高空交通场景中的核心瓶颈之一是远距离小车辆的信息稀释。由于骨干网络存在总计32倍下采样，富含轮廓和纹理等细节的浅层P1–P2特征在逐层压缩中被削弱，而传统PAN–FPN主要依赖P3–P5进行融合，浅层P2参与度较低，导致小目标几何信息难以有效传递到检测头。实验分析显示，YOLOv8基线在UAVDT上的mAP_S仅为18.9%，说明小目标检测能力是限制整体性能的主要短板。

3.2.2. Complex Urban Background Interference
研究进一步分析了复杂背景对检测稳定性的影响。无人机视角下城市道路包含大量结构化噪声，诸如白色车道线与矩形阴影容易与车辆形成像素级相似性，而YOLOv8基线缺乏显式注意力机制，难以在特征融合阶段主动突出车辆区域、抑制背景区域。此外，飞行姿态变化和光照波动会进一步加剧背景复杂性。文中指出，基线模型在UAVDT上的误检率为7.2%，这会直接影响车辆计数与速度估计精度。

3.2.3. Bounding Box Regression Sensitivity to Low-Quality Samples
论文还讨论了低质量样本对边界框回归的负面影响。拥堵道路中普遍存在遮挡车辆、模糊车辆、截断车辆及标注边界不确定样本。对于仅有数个像素宽的小车，1–2像素的定位误差就会显著改变交并比（IoU），而CIoU对全部样本一视同仁，容易放大不可靠样本的噪声梯度，削弱对正常样本的学习效果。因此，研究人员将回归优化视为高空交通检测性能提升的第三个关键切入点。

4.1. Congestion Decision Model (CI)
在决策层面，研究人员构建了拥堵指数（CI）模型，将车辆密度与速度下降量融合为0到1范围内的归一化指标。模型形式为CI = α × (N/N_max) + β × (1 ? V/V_free)，其中N为监测区域车辆数，N_max为理论最大容量，V为平均车速，V_free为自由流速度。通过对500段UAVDT交通片段进行实验评估，研究确定α = 0.6、β = 0.4时拥堵决策准确率最高，达到83.8%，且敏感性分析显示在α ∈ [0.55, 0.65]范围内性能波动较小，说明权重设定具有一定稳健性。该部分结果说明，在无人机监测条件下，车辆密度比平均速度更稳定、更适合作为主导指标，而速度则作为辅助变量提升拥堵状态判别能力。

4.1.3. Vehicle Speed Estimation Method
在速度估计方面，研究人员使用ByteTrack进行相邻帧车辆匹配，通过边界框中心点位移计算像素运动距离，再结合相机标定系数转换为真实路面速度，并通过三帧移动平均抑制遮挡、姿态漂移和跟踪误差引起的异常值。论文明确指出，UAVDT并未为所有序列提供统一的内外参，因此速度估计主要作为CI模型中的归一化组成部分，而非测绘级绝对测速结果。

4.2. Multi-Scale Feature Enhancement (MFE) Module
针对小目标特征稀释问题，研究人员设计了MFE模块。该模块直接抽取骨干网络中的P2浅层高分辨率特征，并通过上采样、跨层拼接、1 × 1卷积对齐和逐元素相加等操作，构建面向P2-P3-P4的短特征流。与传统FPN自上而下传播深层语义不同，MFE强调浅层细节信息向更深层注入，使小车辆轮廓与纹理得以保留。与PAN相比，该模块减少冗余上下采样，避免特征模糊，同时参数增量仅约0.2M。实验表明，单独加入MFE后，mAP@0.5由79.3%升至81.0%，是所有改进模块中对基础检测精度贡献最大的部分；并且其对小目标性能提升尤为明显，体现了其针对性设计价值。

4.3. Convolutional Block Attention Module (CBAM) Integration
为抑制复杂背景干扰，研究人员在YOLOv8颈部PAN–FPN融合路径中引入CBAM。该模块依次执行通道注意力和空间注意力：前者利用全局平均池化（GAP）与全局最大池化（GMP）结合多层感知机（MLP）估计各通道重要性，后者通过通道维平均池化与最大池化后接7 × 7卷积生成空间注意力图。该设计使网络在多尺度融合后能够进一步突出车辆相关特征并压制阴影、车道线等噪声。实验结果显示，在MFE基础上加入CBAM后，mAP@0.5进一步提升至82.2%，同时显著降低复杂场景误检率，说明注意力重标定对复杂城市场景具有稳定增益。

4.4. WIoU Dynamic Focusing Loss Function Optimization
在边界框回归层面，论文将YOLOv8原有CIoU替换为WIoU动态聚焦损失。WIoU通过样本离群程度动态调整损失权重：对于中心点偏差大、质量低的异常样本，降低其梯度贡献；对于高质量或中等难度样本，则保留或增强学习压力，从而减轻噪声样本对整体回归过程的干扰。研究人员强调，WIoU并非丢弃困难样本，而是抑制极端离群样本的不利影响。实验中，在MFE和CBAM基础上进一步引入WIoU后，mAP@0.5提升至83.1%，拥堵决策准确率达到83.8%。该结果表明，回归稳定性的改善不仅提升定位质量，也间接增强了后续跟踪与速度估计可靠性。

4.5. The Enhanced YOLOv8-Based Object Detection Framework
综合上述模块后，论文形成了一个从检测到拥堵分析的完整增强框架。骨干网络负责提取P2–P5多层特征；MFE模块强化浅层细节向高层流动；CBAM模块对融合特征进行显著性重标定；检测头采用无锚框（anchor-free）结构输出分类与边界框；最后将检测结果送入ByteTrack和CI模型完成拥堵决策。该体系结构体现出论文的核心思想，即通过任务导向的轻量化组件重排，针对无人机场景中的三个主要退化因素进行一体化优化。

5.2. Comparative Experiments
在UAVDT数据集上的比较实验表明，所提方法在检测与决策指标上均优于YOLOv5、YOLOv7和YOLOv8基线。相较YOLOv8s基线，模型mAP@0.5提高3.8个百分点至83.1%，mAP@0.5:0.95提高约4.8个百分点至54.6%，mAP_S提升至23.2%，拥堵决策准确率由78.6%提高至83.8%。同时，模型参数量仅从基线增加0.3M，总计约3.3M，推理延迟为11.5 ms，推理速度仍保持86 FPS，远高于实时监测所需阈值。这说明该方法在精度与效率之间取得了较优平衡。与近年来其他YOLOv8改进模型相比，论文方法在统一实验设置下获得了最高的拥堵决策准确率，表明检测质量提升与拥堵判定能力之间存在直接关联。

5.3. Ablation Study
消融实验进一步验证了各模块的独立贡献与协同作用。MFE带来最大的单模块精度提升，说明小目标特征增强是性能突破的基础；CBAM继续带来1.2个百分点的mAP@0.5提升，并提升拥堵决策准确率；WIoU虽然在总体检测指标上的增益相对温和，但对拥堵决策准确率提升更明显，反映其对跟踪连续性和速度估计稳定性的间接促进作用。完整模型相较基线累计提升3.8个百分点mAP@0.5和5.2个百分点CDA，证明三个模块针对性地解决了原始模型的三类关键缺陷。

5.4. Visual Comparison of Detection Performance
可视化结果在密集车流、远距离小目标、夜间照明和雨天遮挡四类典型场景下展示了模型差异。基线模型在密集场景中存在明显漏检与误检，在远距离小目标场景中几乎无法有效检测微小车辆，在夜间易将强光误识别为车辆，在雨天及遮挡条件下对模糊目标检出不足。相比之下，所提模型在这些场景下均表现出更完整、更稳定的检测边界框，直观支持了MFE、CBAM与WIoU的作用机制。

5.5. Congestion Decision Result Analysis
在一段60 s、共1800帧的UAVDT视频序列上，研究人员对拥堵决策性能进行了专项评估。所提方法正确分类1508帧，CDA为83.8%；YOLOv8s基线正确分类1415帧，CDA为78.6%。此外，所提方法对拥堵状态转变的平均响应时间为2帧，即66.7 ms，优于基线的5帧。这表明，上游检测精度和回归稳定性的提升，可以有效转化为更及时、更准确的交通状态识别能力。

5.6. Challenges, Limitations, and Discussion
讨论部分指出，尽管该框架在UAVDT上表现优良，仍存在若干限制。首先，速度估计依赖较为准确的相机标定，飞行高度、视角和视场误差会传播至速度计算。其次，CI权重是在UAVDT风格城市道路场景中验证得到，对于高速公路、隧道、混合交通或不同交通规则城市，可能需要重新标定。再次，作为一阶段检测器，该模型在极端天气、夜间眩光和严重连续遮挡下仍会受到限制，WIoU虽可降低异常框影响，但无法恢复多帧完全不可见的车辆。最后，论文目前主要基于公开数据和重实现基线进行验证，跨数据集泛化与真实路侧部署能力仍需进一步评估。总体来看，研究人员将该方法定位为一种高效的无人机交通感知集成增强框架，而非适用于所有交通状态估计任务的通用替代方案。

研究结论部分可译为：
本研究提出了一种增强型基于YOLOv8的无人机实时道路拥堵决策框架。其贡献被明确界定为面向特定任务的集成与验证，而非新的通用优化范式。首先，MFE模块引入了轻量化的P2驱动特征流路径，提高了无人机图像中的小车辆检测能力。其次，集成CBAM与WIoU，分别用于降低复杂场景中的误检并稳定低质量边界框的回归。第三，将检测输出连接到经过统计验证的密度–速度CI模型，其权重由敏感性分析、置信区间和拥堵标签验证支持。该框架在保持实时速度的同时，提高了mAP@0.5、mAP_S和CDA。研究同时指出，绝对速度估计依赖于序列级标定，跨数据集迁移能力仍需在未来工作中进一步验证。