研究背景与问题

在高速公路场景中，抛洒物检测对于保障行车安全至关重要。然而，传统的抛洒物检测方法在处理因抛洒物尺寸的类内差异大以及样本优化难度不均衡等问题时，往往会出现漏检和误检现象。这些问题主要源于以下几个方面：一是抛洒物尺寸的多样性导致检测模型难以精确识别；二是由于训练数据的不均衡，模型在优化过程中容易倾向于对多数样本进行学习，而对少数困难样本关注不足；三是现有方法在处理动态环境下的抛洒物时，对时空信息捕捉能力有限，导致检测效果不佳。

研究方法

为解决上述问题，本研究提出了一种基于局部显著性-宽视野时空注意力机制的抛洒物识别方法。该方法的核心思想是融合局部显著性和宽视野时空注意力，并引入困难样本感知的对比损失函数优化框架。具体步骤如下：首先，采用孪生卷积神经网络提取参考图像与待检图像的外观特征；其次，基于局部显著性分析，对图像进行多尺度特征提取，以适应不同尺寸的抛洒物检测；接着，通过宽视野时空注意力机制，加强模型对时空信息的捕捉能力；最后，设计一个困难样本感知的对比损失函数，引导模型在训练过程中更加关注困难样本，从而提高模型的泛化能力和检测精度。

核心结果

实验结果表明，与传统的抛洒物检测方法相比，所提出的方法在检测精度和实时性方面均有显著提升。具体表现为：一是对于不同尺寸的抛洒物，检测精度提高了约5%；二是对于困难样本，检测漏检率降低了约15%；三是模型在处理动态环境下的抛洒物时，实时性提高了约10%。此外，通过与其他先进方法的对比，本研究方法在多种基准数据集上均取得了最佳的检测效果。

结论与意义

本研究提出的基于局部显著性-宽视野时空注意力机制的抛洒物识别方法，在高速公路场景下的抛洒物检测中表现出优异的性能。该方法不仅解决了传统方法在处理尺寸差异和样本不均衡问题上的不足，还提高了模型对动态环境下抛洒物的检测能力。这对于提升高速公路安全管理水平和保障行车安全具有重要意义。同时，本研究提出的框架也为其他视觉检测任务提供了一种有效的解决方案，具有较高的应用价值。

文章来源：《交通运输研究》 网址: http://www.jtysyjzz.cn/qikandaodu/2026/1027/328.html

上一篇：船舶排放控制区政策效应的港口异质性与波特假
下一篇：面向水上交通事故调查报告的风险因素关联分析