-
题名基于改进YOLOv8的交通标志检测方法
- 1
-
-
作者
朱立忠
万文峰
刘韵婷
-
机构
沈阳理工大学自动化与电气工程学院
-
出处
《通信与信息技术》
2025年第5期6-10,共5页
-
基金
辽宁省自然科学基金(项目编号:2022-KF-14-02)。
-
文摘
交通标志检测是能够确保智能驾驶安全的关键技术。针对交通标志在检测中像素面积小、精度低以及被遮挡的问题,提出一种基于YOLOv8改进的交通标志检测算法。首先,引入RCSOSA模块替换骨干网络中的C2f部分,利用重参数化技术分别在训练阶段和推理阶段提高模型的表达能力和推理效率、简化计算;然后,为捕捉到更细节的特征信息,引入上下文增强模块,突出微小目标在多尺度特征中的语义信息;最后,采用Wise-IoU取代原始的CIoU,对预测框的离群程度进行评估,以此为依据动态调整梯度增益,使模型具有更好的定位精度。实验结果表明,改进后的模型在中国交通标志检测数据集CCTSDB中较原模型在精确度P及平均精度均值mAP上分别提升了2.6%和1.1%,小目标检测精度提高了1.2%,检测速度为每秒68帧,满足实时检测的要求。
-
关键词
YOLOv8
交通标志
RCSOSA
Wise-IoU
cctsdb
-
Keywords
YOLOv8
Traffic signs
RCSOSA
Wise-IoU
cctsdb
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进SSD算法的交通标识检测方法研究
被引量：4
- 2
-
-
作者
詹华伟
邹昊好
刘旭
史水娥
-
机构
河南师范大学电子与电气工程学院
河南师范大学河南省光电传感集成应用重点实验室
-
出处
《电子测量技术》
北大核心
2022年第17期79-85,共7页
-
基金
河南省高等学校重点科研项目基础研究项目(19B510006)资助。
-
文摘
针对目前SSD算法对小目标检测精确度低,泛化能力弱,且存在误检、漏检等问题,提出一种基于SSD网络的交通标识检测方法。为增加对目标的检测精度,使用ResNet-50网络作为SSD算法的骨干网络,在额外添加层中加入BN层,提高训练速度;使用sub-pixel来代替上采样,提高识别目标分辨率,并加入MFPN模型融合低层与高层特征信息,避免出现漏检问题。实验结果表明与现有的SSD算法相比,改进的SSD算法在公开数据集CCTSDB和GTSDB数据集上mAP值分别提高4.2%和3.1%,FPS保持在87.2 f/s,检测精度显著提升。满足对交通标识实时检测的要求,在无人驾驶领域具有广泛的应用前景。
-
关键词
SSD
卷积网络
MFPN模型
SUB-PIXEL
cctsdb
-
Keywords
SSD
convolutional networks
MFPN model
sub-pixel
cctsdb
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于三尺度嵌套残差结构的交通标志快速检测算法
被引量：28
- 3
-
-
作者
李旭东
张建明
谢志鹏
王进
-
机构
长沙理工大学计算机与通信工程学院
综合交通运输大数据智能处理湖南省重点实验室(长沙理工大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2020年第5期1022-1036,共15页
-
基金
国家自然科学基金项目(61972056,61811530332)
湖南省自然科学基金项目(2019JJ50666)
+2 种基金
长沙理工大学“双一流”科学研究国际合作拓展项目(2019IC34)
湖南省研究生培养创新基地项目(2019-248-51)
湖南省研究生科研创新项目(CX20190695)。
-
文摘
智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先,在基础网络上采用逐像素相加的跨层连接,并未增加特征图的通道数,同时网络中形成1个小残差结构.其次,通过同样的跨层连接方式,增加了1层空间分辨率更高的预测输出,使得该尺度输出包含更丰富的空间信息,进而构成大残差结构.最终,将2个残差结构进行嵌套,形成了1个三尺度预测的嵌套残差网络模型,使得Tiny检测算法的部分主网络位于这2个残差结构中,起到3次调参的作用.实验结果表明:提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F1值为91.77%、检测时间为5 ms;在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F1值分别为92.41%,93.91%,92.03%,检测时间为5 ms.
-
关键词
交通标志检测
YOLO检测算法
嵌套残差网络
多尺度预测
长沙理工大学
长沙理工大学中国交通标志检测数据集
-
Keywords
traffic sign detection
you only look once(YOLO)detection algorithm
nested residual network
multi-scale prediction
Changsha University of Science and Technology(CSUST)
CSUST Chinese traffic sign detection benchmark(cctsdb)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于双向嵌套级联残差的交通标志检测方法
- 4
-
-
作者
江金懋
钟国韵
-
机构
东华理工大学信息工程学院
-
出处
《现代电子技术》
北大核心
2024年第5期176-181,共6页
-
文摘
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%。
-
关键词
交通标志检测
双向嵌套级联残差单元
跨区域压缩模块
YOLOv3
长沙理工大学中国交通标志检测数据集
特征提取
特征融合
-
Keywords
traffic sign detection
bid⁃NCR unit
CRC module
YOLOv3
CSUST Chinese traffic sign detection benchmark(cctsdb)
feature extraction
feature fusion
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP391
[自动化与计算机技术—计算机应用技术]
-
