Ghost Convolution と注意機構を組み込んだ YOLOv8 によるインテリジェント交通システム向けリアルタイム車両検出

Abstract

正確な車両検出は、自動運転、交通監視、および知的交通システムの重要な構成要素である。本論文では、検出性能を向上させるためにGhost Module、Convolutional Block Attention Module（CBAM）、Deformable Convolutional Networks v2（DCNv2）を統合した改良YOLOv8nベースのモデルを提案する。Ghost Moduleは効率的な特徴生成により特徴の冗長性を低減し、CBAMはチャネルおよび空間の注意（attention）を通じて特徴表現を洗練させ、DCNv2は車両構造における幾何学的な変動への適応性を高める。KITTIデータセットで評価したところ、提案モデルは95.4%のmAP@0.5を達成し、基準となるYOLOv8nに対して8.97%の改善を示した。さらに、96.2%の適合率、93.7%の再現率、および94.93%のF1スコアも得られている。7つの最先端検出器との比較分析では、主要な性能指標において一貫して優位性が示され、アブレーション研究により統合された各モジュールの個別および組み合わせによる寄与が検証される。特徴の冗長性、注意による洗練、空間適応性に対処することで、提案手法は多様で複雑な交通環境における車両検出に対し、堅牢で計算効率の高い解決策を提供する。