来源：期刊VIP网 时间：
作者：崔丽;罗南超;吴敬花;
单位：成都职业技术学院;阿坝师范学院计算机科学与技术学院;四川农业大学信息工程学院;
摘要：针对车辆检测领域中现有的小目标检测算法面临的复杂度高、特征提取不足以及检测率低的问题，提出了一种改进模型ARR-DETR，旨在提升小目标车辆检测的效率和精度。借助CSP的思想，通过卷积加性自注意力机制（convolutional additive self-attention,CATM）和卷积门控线性单元（gated linear unit,GLU）构建CSP-ADD-CGLU模块，以改进RT-DETR的骨干网络，在降低计算复杂度的同时增强关键特征的提取能力，从而提升模型的表现力和训练稳定性。构建AIFI-RepBN模块，采用渐进重参数化方法，在训练过程中逐渐从LayerNorm过渡到BatchNorm，实现更高效的计算，同时保持模型性能。在融合模块中引入显式空间先验和注意力分解，强化对小目标位置的感知能力，同时提升对不同尺度特征的选择性关注能力，提高模型对小目标的识别精度，还增强了整体特征融合的效果。实验结果表明，改进的RT-DETR模型在BDD100K数据集上的P、Recall和FPS指标分别为74.4%、66.1%和67.4%。与原始RTDETR模型相比，分别提升了1.6%、2.1%和3.3%，表明该方法可以更快速、更准确地检测到小目标车辆。
关键词：小目标车辆检测;;RT-DETR;;卷积加性自注意力机制;;卷积门控线性单元;;BatchNorm
基金资助：四川省教育厅基金资助项目（GZJG2022-137）
