15、提升无人驾驶全景感知能力：DAFPN - YOLO与线性力电机电磁模型研究

提升无人驾驶全景感知能力：DAFPN - YOLO与线性力电机电磁模型研究

1. DAFPN - YOLO算法的优化与实验结果

在无人驾驶领域，全景感知能力至关重要，DAFPN - YOLO算法在这方面展现出了出色的性能。

1.1 损失函数设计

为了提升算法性能，采用了特定的损失函数。在分类任务中，使用了熵损失，旨在最小化网络输出与真实标签值之间的分类误差。而对于车道线分割任务，采用了Focal Loss替代交叉熵损失。Focal Loss能够让模型更有效地关注困难样本，从而提高检测精度。最终的损失函数表达式如下：
$L_{all} = γ_1(α_1L_{class} + α_2L_{obj} + α_3L_{box}) + γ_2L_{ce} + γ_3L_{FocalLoss}$

1.2 交通目标检测实验结果

在BBD100K数据集上对四种模型的检测结果进行了比较，使用召回率（Recall）和mAP50来评估检测精度。具体结果如下表所示：
| 算法 | mAP50 (%) | Recall (%) | Speed (fps) |
| ---- | ---- | ---- | ---- |
| Faster RCNN | 68.4 | 89.4 | 9.3 |
| YOLOv5s | 64.9 | 333 | 444 |
| Swin transformer | 77.2 | 86.8 | 8.8 |
| DAFPN - YOLO | 76.5 | 89.2 | 41 |

从表格数据可以看出，DAFPN - YOLO的检测精度高于Faste