ACED-YOLO：多维特征增强与尺度自适应的智能驾驶检测算法
来源：计算机工程与应用杂志2026年第10期北京时间：
作者：薛之洋, 潘理虎, 宋泽菊, 张睿, 张国有
单位：太原科技大学 计算机科学与技术学院，太原 030024；
摘要：目标检测对于智能驾驶系统在复杂交通场景中准确识别和定位机动车、非机动车及行人等各类交通对象至关重要，直接影响驾驶安全性和可靠性。然而，现有方法在边缘特征表达、多尺度特征处理以及长距离依赖关系捕捉方面仍存在不足，影响了检测性能和计算效率。因此，提出了一种多维特征增强与尺度自适应的轻量化智能驾驶检测算法ACED-YOLO。创建了双轴向上下文感知特征融合颈部网络（BC-FIN），在水平与垂直维度同步捕获全局上下文，以轴向特征显式刻画矩形关键区域，并设计空间特征重建与动态插值融合模块，以获得丰富的多层级特征和上下文信息。构造边缘索贝尔增强空间融合模块（E-SESIM），优化C3k2模块，通过并行索贝尔与卷积分支有效融合边缘与空间特征，并嵌入残差结构抑制梯度消失，增强目标轮廓表征能力。设计了自适应动态多尺度检测头（DMDH-DCNv4），利用多级注意力机制和可变形卷积动态调整特征提取，适应多尺度和多空间维度特征，提高检测速度和特征捕捉效率。实验表明，在KITTI数据集上ACED-YOLO的mAP@0.5为85.2%，相较于YOLOv11n提升将近10个百分点，同时在TinyPerson和UrbanNMV自建数据集上ACED-YOLO在检测精度和计算效率方面均表现出色，该方法在智能驾驶场景的目标检测任务中有明显优势。
关键词：YOLOv11,特征金字塔,检测头,边缘检测,可变形卷积
基金资助：山西省基础研究计划项目（202203021221145）；山西省研究生联合培养示范基地项目（2022JD11）。
