複雑な天候条件下での車両目標の検出において、ターゲットのぼやけや遮蔽により車両検出の精度が著しく低下する現象に対応するため、改良された車両検出アルゴリズムYOLO-CGTを提案します。 このアルゴリズムは、車載カメラの画像入力シーンを対象とし、YOLOv8構造に複数の改良を導入することで、複雑な環境での検出の安定性を劇的に向上させます。ここでは、マルチスケール残差集約モジュールを設計し、元のC2f構造を置き換えて元の情報の利用を強化し、ネットワークの深さによる勾配の消失問題を減少させます。空間集約モジュールを導入し、グローバル情報抽出と局所情報認識を融合させ、軽量ダイナミック検出ヘッドを設計して検出精度と効率のバランスを確保します。従来のIoUを置き換えるインナーミニマムポイント距離IoU（Inner-Minimum Points Distance Intersection over Union, Inner-MPDIoU）測定を導入し、目標ボックスの重なり問題を減少させます。複雑な天候条件下での車両データセット上でのトレーニングと検証の結果、この方法の平均検出精度は81.4%であり、これは6.3%の向上です。モデルのパラメータ量は3.259×10⁶で、計算量は9.7GFLOPsであり、精度を劇的に向上させつつ、モデルの軽量デプロイメント能力を保証します。この研究手法は自動運転システムの安全で安定した運転を強力にサポートします。

自動運転; 車両検出; YOLOv8; 複雑な天候; マルチスケール特徴