基于Transformer的交通标志检测模型研究

【目的】为了解决在复杂环境下,对小目标特征困难以及对小目标检测效果不佳等问题,提出了一种基于Transformer的交通标志检测基干模型。【方法】通过充分利用卷积和Transformer的优势,构建了一种注意力融合的多尺度特征提取基干模型,能够使基干网络以全局上下文信息为支撑,有选择地增强有用信息的特征,并抑制不重要的特征。此外,为了在增强特征融合的同时防止网络退化,还加入了类池连接。最后,在TT100K数据集上进行实验。【结果】实验结果表明,以该模型为骨干的元体系结构取得了最高84%的mAP,与基线模型相比m AP最大提升约7%。【结论】模型在提高特征提取效果的同时,也为交通标志检测提供了一种新的思路。

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3_large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。

基于双向嵌套级联残差的交通标志检测方法

交通标志检测是自动驾驶领域的一个重要课题,其对于检测系统的实时性和精度都有非常高的要求。目标检测领域中的YOLOv3算法是业界公认在精度和速度上都处于前列的一种算法。文中以YOLOv3检测算法作为基础网络,提出一种双向嵌套级联残差单元(bid⁃NCR),替换掉原网络中顺序堆叠的标准残差块。双向嵌套级联残差单元的两条残差边采用相同的结构,都是一次卷积操作加上一次级联残差处理,两条边上级联的标准残差块的数量可以调节,从而形成不同的深度差。然后将两条边的结果逐像素相加,最后再做一次卷积操作。相较于标准残差块,双向嵌套级联残差单元拥有更强的特征提取能力和特征融合能力。文中还提出跨区域压缩模块(CRC),它是对2倍率下采样卷积操作的替代,旨在融合跨区域的通道数据,进一步加强主干网络输入特征图所包含的信息。实验结果表明:提出的模型在CCTSDB数据集上mAP(0.5)、mAP(0.5∶0.95)分别达到96.86%、68.66%,FPS达到66.09帧。相比于YOLOv3算法,3个指标分别提升1.23%、10.35%、127.90%。

基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

基于多尺度YOLOv5的交通标志检测

针对小目标交通标志检测存在的检测精度低、漏检率高等问题,提出了一种基于多尺度融合的YOLOv5改进算法。在主干网络后输出4个有效特征层以便更好地融合多尺度信息,在主干网络输出的3个特征层中添加改进的多尺度融合注意力机制CBAM_U,以提升网络的检测能力;在Path Aggregation Network(PANet)下采样过程中添加Fusion模块,促进不同感受野下特征的细融合;在YOLOHand前加入Adaptively Spatial Feature Fusion(ASFF)模块解决特征金字塔融合的不一致性,进一步提升网络的表达能力。实验结果表明,提出的方法相比于原始YOLOv5网络在CCTSDB数据集中mAP@0.5提升了3.07%,召回率提升了3.83%,查准率提升了1.64%,F1-Score提升了2.66%,相比于其他检测算法,改进后的YOLOv5算法在复杂场景中具有更好的鲁棒性。

智能交通感知新范式:面向元宇宙的交通标志检测架构

交通标志检测对智能交通系统和智能驾驶的安全稳定运行具有重要作用。数据分布不平衡、场景单一会对模型性能造成较大影响,而建立一个完备的真实交通场景数据集需要昂贵的时间成本和人工成本。基于此,该文提出一个面向元宇宙的交通标志检测新范式以缓解现有方法对真实数据的依赖。首先,通过建立元宇宙和物理世界之间的场景映射和模型映射,实现检测算法在虚实世界之间的高效运行。元宇宙作为一个虚拟化的数字世界,能够基于物理世界完成自定义场景构建,为模型提供海量多样的虚拟场景数据。同时,该文结合知识蒸馏和均值教师模型建立模型映射,应对元宇宙和物理世界之间存在的数据差异问题。其次,为进一步提高元宇宙下的训练模型对真实驾驶环境的适应性,该文提出启发式注意力机制,通过对特征的定位和学习来提高检测模型的泛化能力。所提架构在CURE-TSD,KITTI,VKITTI数据集上进行实验验证。实验结果表明,所提面向元宇宙的交通标志检测器在物理世界具有优异的检测效果而不依赖大量真实场景,检测准确率达到89.7%,高于近年来其他检测方法。

改进YOLOv5-S的交通标志检测算法

在自动驾驶领域,现有的交通标志检测方法在检测复杂背景中的标志时存在着漏检或误检的问题,降低了智能汽车的可靠性。对此,提出了一种改进YOLOv5-S的实时交通标志检测算法。在特征提取网络中融合坐标注意力机制,通过构建目标的长范围依赖来捕获物体的位置感知,使得算法聚焦于重点的特征区域;引入Focal-EIoU损失函数来取代CIoU,使其更关注高质量的分类样本,提高对难分类样本的学习能力,减少漏检或者误检的问题;在网络中融合轻量级卷积技术GSConv,降低模型的计算量。增加新的小目标检测层,通过更丰富的特征信息提高小尺寸标志的检测效果。实验结果表明,改进方法的mAP@0.5和mAP@0.5:0.95分别为88.1%和68.5%,检测速度达到了83 FPS,能够满足实时可靠的检测需求。

基于YOLOv4改进的交通标志检测算法

自动驾驶中要尽早检测到交通标志及时作出行车决策,其中的交通标志属于小目标。针对当前小目标检测精度低的情况,提出基于YOLOv4改进的交通标志检测算法。主要有以下几部分:改进骨干网络,嵌入融合注意力机制模块,加强对通道和空间信息的关注;将交叉熵损失函数改为Focal Loss损失,解决样本分布不平衡的问题;利用图片的多尺度信息进行特征提取,空洞卷积增加感受野。在TT00k数据集上进行实验,结果表明改进之后的网络模型总mAP提升14.16%,其整体性能胜过其他检测方法。

自然场景下的中国交通标志检测算法

当前在自然场景下对中国交通标志进行检测时通常存在检测精度和检测速度不平衡的问题,为此,提出一种基于YOLOv5的改进算法。首先根据ShuffleNet V2网络的设计理念,提出改进型轻量化卷积块来代替YOLOv5中的卷积块,以减少网络整体的计算量和参数量;其次提出一个扩大感受野的轻量化模块ASPC来代替原网络中的空间金字塔池化模块SPP,从而降低网络计算量和参数量同时提升网络的检测精度;最后把颈部特征融合网络中的上采样模块替换为CARAFE上采样算子,并提出多尺度通道混洗注意力机制MCSA,将其添加在CARAFE算子之后,让网络融合全局与局部的特征信息,更有效地减少颈部特征融合网络对交通标志特征信息的丢失。在自制的中国多类交通标志数据集CMTSD上进行实验,结果表明,改进后的算法模型大小相较于原模型减少了41%,每秒检测帧数(FPS)提高了9.37,平均检测识别精度mAP@0.5提升了2.91%,达到94.76%。改进算法在不同的自然场景下均能达到较好的检测效果,可以满足实际场景中对交通标志检测的需求。

基于SWimAM设计的YOLOv5轻量化交通标志检测方法

交通标志辅助识别技术在自动驾驶体系中越发重要,由于不同的硬件设备承载力不同,使模型更轻量化的同时保持性能不变或更好成为当下各单位和企业的研究方向之一。为了使模型更轻量化的同时提升模型识别效果和检测速度,提出一种基于SWimAM(a simple,parameter-free attention module add weight part for convolutional neural networks)设计YOLOv5(you only look once version 5)的轻量化交通标志检测方法。该方法基于SimAM机制加入可迭代学习权重改变内部权重的计算方式提出SWimAM模块,并将YOLOv5的backbone结构中的C3层替换成该模块,将head部分融合SE(squeeze-and-excitation networks)注意力机制的同时把损失函数替换为SIoU(soft intersection over union)强化了模型的检测精度减少了梯度的不稳定性。提出一种滤波拼接的数据增强方法扩充了TT100K交通标志数据集,解决了部分标签不均匀的问题。改进的YOLOv5s网络的在TT100K上识别平均精度提升2.5%、检测速度提升7.33%、计算复杂度下降3.07%、参数量下降9.27%。在中国交通标志检测数据集CCTSDB中和德国交通GTSDB数据集中平均精度分别达到94.9%和94.7%,验证了该模型具有良好的泛化性。

改进YOLOv7的轻量化交通标志检测算法

【目的】针对现有交通标志检测算法中的较大计算量和较高参数量的问题,提出一种改进YOLOv7的轻量化交通标志检测算法。【方法】该算法分为输入、提取特征的骨干网络、融合特征的颈部网络和对目标进行预测的头部网络4个部分。在骨干网络引入大核卷积,增大了有效感受野,提升了骨干网络提取特征的能力;检测颈部融合坐标注意力、随机池化等方法,既能构建通道注意力又能捕捉准确位置,同时提升网络的泛化能力;此外,提出集中综合深度可分离卷积模块,在减少参数量的同时更好地提取图像特征。【结果】实验结果表明,本文算法在CCTSDB2021数据集上的检测精度达到了93.13%,mAP也达到了87.59%,相较于同类型的方法有了较大的提高,该网络在较低的参数量和计算量的情况下实现了较高的精确率,不仅能够精准地捕捉交通标志的位置信息,同时能够准确地对交通标志进行预测。

基于注意力和对比学习的轻量级交通标志检测方法

为提升交通标志检测精度和速度,针对交通标志目标小、尺度变化大等问题,提出一种基于注意力和对比学习的轻量级交通标志检测算法:首先,在特征提取主干网络中采用通道和空间分离方法依次进行卷积操作,构建多层次的特征提取网络,减少运算量;其次,采用基于注意力的上下文特征金字塔网络,获取目标的代表性特征,提升模型准确率;最后,采用监督对比学习损失(Supervised Contrastive Loss,SCL)函数,提高模型的特征判别能力。实验结果表明,该交通标志检测算法的平均检测精度达95.8%,相比于YOLOX-Tiny提升了4.5%,检测速度为79帧/s,能够满足实际应用需要。

基于改进YOLOv5s的交通标志检测

在自动驾驶领域准确实时地检测出小目标交通标志具有重要意义,本文针对YOLOv5s算法检测小目标交通标志精度低、漏检等问题,提出了一种基于改进YOLOv5s的交通标志检测算法。将Transformer编码结构与C3模块结合,用新的C3TR替换主干网络中最后一个C3模块,提高主干网络对图像全局特征信息的提取能力;用EIoU Loss替换YOLOv5s的定位损失函数,提高模型检测框的回归精度;在多尺度检测部分,通过增加一层浅层检测层作为更小目标的检测层,提高对小目标交通标志的检测能力。实验结果表明,改进YOLOv5s检测算法在CCTSDB数据集上的平均检测精度(mAP)为93.1%,比原YOLOv5s提升了3.6%,对小目标交通标志检测精度更高。

基于不可分小波和改进YOLOv8的交通标志检测算法

在现代智能交通系统中,高效且准确的交通标志检测对于辅助驾驶和自动驾驶系统具有重要意义。针对背景复杂的道路场景中交通标志尺寸小导致的识别精度低,漏检等问题,提出了一种基于不可分小波和改进YOLOv8的交通标志检测算法。首先,采用不可分小波处理输入图像,有效提取高频信息以增强图像的细节表现,提高模型的鲁棒性。其次,引入针对小目标的检测层,取代原始模型中的大目标检测层,优化网络结构,从而显著提升了小目标的检测性能。接着,将网络中的跨步卷积替换成SPD-Conv,有效减少特征信息的丢失。最后,采用WIoU损失函数代替原有的损失函数。在TT100K数据集上进行训练,实验结果显示,改进后的算法相较于YOLOv8在精确率及mAP@0.5上,分别提升了9.7%和11.5%,性能明显优于原始算法。

改进YOLOv8s的交通标志检测算法

针对当前主流的交通标志目标检测算法在复杂环境中对小目标检测精度低、存在误检和漏检的问题,提出一种改进的基于YOLOv8s的交通标志检测算法。该算法在主干网络中使用Pconv卷积并设计C2faster模块,以实现轻量化网络结构同时维持网络精度。为更好地利用底层和高层特征之间的信息,并增强区域上下文关联能力,根据SPPF的思想设计SPPFCSPC模块作为空间金字塔池化模块。通过添加GAM注意力机制进一步增强网络的特征提取能力,有效提高检测精度。为改善对微小目标的检测能力,在网络颈部添加四倍下采样分支,优化目标定位。此外,使用Focal-EIoU损失函数替换原CIoU损失函数,对预测框的宽高比进行准确定义,缓解正负样本不平衡的问题。实验结果表明,在CCTSDB-2021交通标志数据集上,改进算法的精确率、召回率和mAP@0.5分别达到86.1%、73.0%和81.2%,相比原始的YOLOv8s算法分别提高了0.8%、6.3%和6.9%。此外,该算法在复杂天气和恶劣环境下的误检和漏检问题得到明显改善,综合检测性能明显优于对比算法,具有较大的实用价值。

基于SC-YOLOv8的交通标志检测算法研究

为了解决交通标志检测中所存在的准确率低、参数量大等问题,本文提出了一种基于YOLOv8s改进的SC-YOLOv8交通标志检测算法。该算法使用下采样Adown模块替换普通下采样Conv,提升模型对目标的感知能力;使用SCConv模块替换C2f中的Bottleneck,设计全新的C2f_SC模块,大幅减少模型参数;通过增加160×160尺度的检测头去除20×20尺度的检测头来改进目标检测层,有效的提高了检测精度;最后使用WIoU损失函数的思想改进MPDIoU,以Wise-MPDIoU替换原CIoU损失函数,缓解了正负样本不平衡的问题。该算法在TT100K交通标志数据集上进行验证,与原模型YOLOv8s进行比较,精确率P提升了4.8%,召回率R提升了6.7%,mAP50提升了6.6%,参数量Params下降了61.5%。证明了所做改进的有效性。

基于改进SSD的自然场景小交通标志检测

为提高在复杂的自然交通场景下对小交通标志检测的准确度,改进了SSD模型。在SSD多个检测层加入并行多尺度特征融合,通过结合深、浅特征层的检测优势,改善了SSD模型在小目标检测方面的不足;在SSD模型的多个检测头分别加入注意力机制模块,增强对小交通标志的特征提取效果;加入focal loss损失函数减小背景对整体损失的贡献,防止背景过拟合。实验结果表明,在复杂自然场景下,改进的方法相比原始模型对小交通标志检测的mAP提升了4.9百分点。

基于改进YOLOv7的交通标志检测算法

随着智能驾驶系统飞速发展,交通标志检测技术受到广泛关注。针对交通标志在图像中像素面积小、分辨率低、背景复杂等问题,提出了一种基于改进YOLOv7的交通标志检测算法。首先,构建增强特征提取模块。采用残差瓶颈结构和全维度动态卷积层优化特征提取网络中可拓展高效层聚合网络结构,不仅提高了特征提取网络聚焦小目标交通标志关键特征的能力,而且还避免了特征丢失。其次,在特征融合网络中嵌入轻量型混合注意力模块,过滤小目标交通标志周围复杂背景噪声,使网络的颈部更好地融合浅层细节信息和深层语义信息,增强多尺度特征融合效果。最后,解耦网络检测头使用两条享有不同参数的独立分支分别完成小目标交通标志分类和回归任务,提高分类回归准确度。在TT100K交通标志检测数据集上进行了实验评估,结果表明:相较于基线YOLOv7算法,改进算法的小目标精度提高了1.9%、小目标召回率提高了3.1%、mAP值提高了2.6%;同时,改进算法检测速度为57.1帧/s,满足实时检测的要求。

基于改进YOLOv7的小目标交通标志检测算法

在自动驾驶中,检测小目标的精度和漏检问题对于车辆设备对路况判断的准确性至关重要。针对小交通标志检测精度漏检的问题,文中提出一种基于YOLOv7的小目标交通标志检测算法。在Neck中引入ACmix注意力模块,利用ACmix注意力模块提高网络对小尺度目标的敏感度,降低噪声所带来的影响;在输出端引入多头自注意力机制SPD卷积构建块,提升输出端对交通标志小目标的检测性能;使用SIoU替换原始YOLOv7网络中的CIoU来优化损失函数,提高网络鲁棒性。为验证所提算法的性能,在CCTSDB交通标志数据集上进行了实验验证。实验结果表明,对于数据集中的小目标,改进后的YOLOv7网络相比于原始的YOLOv7网络,漏检情况得到了明显改善,且map达到了98.7%,运行速度达到了110.5 fps。相较于原始YOLOv7模型,精度和速度均有提升,可以满足交通标志检测的要求。

基于注意力机制的道路交通标志检测方法

针对交通标志在道路场景中尺寸小、个数少、难以实现快速精准检测的情况,提出一种基于注意力机制的交通标志检测模型。模型以YOLOv4为基础,在主干网络中增加通道注意力机制来提高小尺寸样本学习能力,同时使用Ghost卷积核代替常规卷积核来降低特征提取过程的计算量;在颈部网络中,生成了更小感受野的特征图参与检测,进一步提高模型对小尺寸目标的检测能力。实验结果表明,本文模型能够对不同场景下的各类小尺寸交通标志实施精准的检测,其检测速度也能够达到实时检测的水平,能够在高级驾驶辅助系统、高精度地图数据自动化采集等多个领域发挥重要的应用价值。