边缘感知的行人检测增强网络

《Scientific Reports》：Edge aware detail enhanced pedestrian detection network

　　

摘要

在复杂场景中实现实时行人检测对于自动驾驶和视频监控至关重要。反复的降采样会导致行人边缘信息丢失，而基于通道的加权方法无法充分捕捉行人之间的空间关系。添加特征提取模块会增加计算开销并使边缘检测的实现变得更加复杂。为降低检测器的复杂度，人们采用了轻量级的检测头，但在拥挤或遮挡严重的场景中，这些检测头的判别能力可能会减弱。为了解决这些问题，本文提出了基于边缘感知的细节增强行人检测网络（YOLO-EADENet）。为了保留行人边缘信息，我们引入了全局边缘信息传输（GEIT）模块，该模块从浅层表征中提取多尺度边缘特征，并将其与主干网络特征融合。通过引入坐标注意力（CA）机制，我们利用方向性线索弥补了基于通道加权方法中缺失的空间信息。同时，我们还采用了轻量级的共享细节增强卷积检测（LSDECD）头，在提高检测准确性的同时降低了计算开销。在CityPersons和CrowdHuman数据集上的实验表明，YOLO-EADENet的性能优于主流检测器，且非常适合用于边缘检测任务。具体来说，我们的中型模型相比YOLOv12-m，在参数数量减少360万的情况下，AP50指标提升了3.0个百分点。在VisDrone、RTTS和KITTI等平台上的硬件部署和评估进一步证明了该模型的实际应用性和可行性。