MDSD-YOLO:一种复杂道路场景目标检测方法

来源：计算机技术与发展杂志2025年第09期北京时间：

作者：赵龙阳;李天豪;张会兵;刘琦;孟瑞敏

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。

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