Optimization of Autonomous Driving Image Detection Based on RFAConv and Triplet Attention

YOLOv8在自动驾驶领域中扮演着至关重要的角色，因为它具有高速目标检测、精确识别和定位以及多平台的通用兼容性。通过实时处理视频流或图像，YOLOv8能够快速准确地识别道路上的障碍物，如车辆和行人，为自动驾驶系统提供必要的视觉数据。此外，YOLOv8支持各种任务，包括实例分割、图像分类和姿态估计，从而为自动驾驶提供全面的视觉感知，最终提高驾驶安全性和效率。鉴于目标检测在自动驾驶场景中的重要性以及现有方法所面临的挑战，本文提出了一种综合方法来增强YOLOv8模型。研究介绍了两个关键的修改：C2f_RFAConv模块和Triplet Attention机制。首先，在方法部分详细介绍了所提出的修改。C2f_RFAConv模块替换了原始模块，以提高特征提取效率，而Triplet Attention机制则增强了特征聚焦。随后，实验过程描述了训练和评估过程，包括训练原始的YOLOv8，集成修改后的模块以及使用指标和PR曲线评估性能改进。结果表明，修改后的YOLOv8模型具有显著的性能提升，包括提高的MAP值和PR曲线的改进。最后，分析部分阐明了结果，并将性能改进归因于引入的模块。C2f_RFAConv提高了特征提取效率，而Triplet Attention提高了特征聚焦，从而增强了目标检测的效果。

本文旨在增强YOLOv8模型，解决自动驾驶场景中的物体检测问题，并提高驾驶安全和效率。

本文提出了两种关键修改：C2f_RFAConv模块和Triplet Attention机制。C2f_RFAConv模块用于提高特征提取效率，Triplet Attention机制用于提高特征聚焦，从而提高目标检测的准确性和效率。

本文通过实验验证了修改后的YOLOv8模型的有效性，包括MAP值的提高和PR曲线的改进。实验使用了多个数据集，并开源了代码。本文的方法值得继续深入研究。

最近在这个领域的相关研究包括：YOLOv5、EfficientDet、CenterNet等。