AMSFNet：一种用于自动驾驶实时物体检测的自适应多尺度融合轻量级网络

《Algorithms》：AMSFNet: Adaptive Multi-Scale Fusion Lightweight Network for Real-Time Object Detection in Autonomous Driving

　　

摘要

自动驾驶系统在部署物体检测模型时面临诸多挑战，这些模型需要在资源有限的车载平台上兼顾准确性、实时性能以及轻量化设计。然而，现有方法中多尺度特征融合不足以及特征表示冗余的问题限制了其在这类平台上的应用。为解决这些问题，我们基于YOLOv11提出了一种自适应多尺度融合轻量级网络（AMSFNet）。我们引入了空间与通道重建注意力融合（SCRAFusion）机制，该机制采用混合–重建–融合策略自适应整合多尺度特征，从而提升特征表示能力，尤其是对于小型物体的识别。在此基础上，我们设计了C2fSCConv模块，该模块结合了空间与通道重建卷积（SCConv）和SCRAFusion技术，以减少空间和通道上的冗余并提升特征表现。此外，我们还提出了尺度感知动态IoU（SDIoU）损失函数，该函数能够根据目标大小动态调整边界框回归权重，从而提高不同尺度物体的定位精度。实验结果表明，AMSFNet在检测准确性、模型复杂度以及实时性能之间取得了良好的平衡，在NVIDIA Jetson Nano（4 GB）设备上可实现31 FPS的检测速度。