文献类型： 中文期刊

作者： 赵龙阳 ¹ ; 李天豪 ¹ ; 张会兵 ¹ ; 刘琦 ² ; 孟瑞敏 ¹ ;

作者机构： 1.桂林电子科技大学计算机与信息安全学院

2.广东省农业科学院水稻研究所

关键词： YOLOv8;复杂道路场景;可变形卷积;注意力机制;目标检测;轻量化

期刊名称： 计算机技术与发展

ISSN： 1673-629X

年卷期： 2025 年 35 卷 009 期

页码： 30-37

摘要： 复杂道路场景下的目标检测由于检测目标形状不规则、远处目标精度低和推理速度慢，导致现有模型性能严重不足。针对此问题，该文提出一种基于YOLOv8改进的算法MDSD-YOLO。在Head部分，设计了MLCA注意力和DCNv4融合改进的MD-C2f模块，适应不规则目标并增强小目标检测精度。在检测头后引入SEAM注意力模块，优化目标相互遮挡时的检测精度。在主干网络中设计了基于DualConv轻量化卷积的D-C2f模块，在提高精度的同时降低了模型的参数量，显著增强了模型的实时性。实验结果显示，改进后的模型在SODA10M和KITTI数据集上表现优异，mAP50分别达到67.0%和94.4%,比YOLOv8n基准模型提升8.7百分点和5.3百分点；mAP50:95分别达到44.8%和70.5%,比基准模型高出5.5百分点和4.2百分点。实验表明该模型推理速度快、检测精度高，在复杂道路场景中的目标检测具备有效性和优越性。