Enhancing the application of signal light recognition for the YOLOv8 model in complex traffic scenarios
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In intricate traffic environments, traffic lights, as pivotal signaling tools, are influenced by factors such as observational distance and lighting conditions. This article proposes an enhanced YOLOv8 model that integrates a hybrid attention mechanism to adapt signal light recognition to complex traffic scenarios. Particularly, the introduction of the Global Attention Mechanism (GAM) within the YOLOv8 model is highlighted. GAM leverages a three-dimensional arrangement and dual-layer MLPs (Multilayer Perceptrons) to emphasize and strengthen channel features that are advantageous for the task of traffic light detection, while also maintaining cross-dimensional channel-spatial dependencies. It concentrates and merges spatial information with channel information through convolutional layers, enabling interaction and avoiding information loss by excluding max-pooling operations. Experimental results demonstrate the exceptional signal light recognition capabilities of the YOLOv8 model enhanced by the GAM attention mechanism in complex traffic scenes, fulfilling practical application requirements across all metrics. Post enhancement, the average recognition rate (Map@50) reaches as high as 93%, demonstrating the model's stability and efficiency in complex environments. The proposed method, based on the improved YOLOv8 model combined with the GAM attention mechanism for signal light recognition, effectively enhances the accuracy and robustness of traffic light detection in complex traffic environments, offering valuable research findings for the advancement and implementation of intelligent transportation systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle