文摘

建立交通标志检测在智能交通系统中起着至关重要的作用。最近,许多方法基础上提出了深度学习的交通标志检测与传统方法相比表现出更好的性能。然而,由于困难的条件下的驾驶环境和交通标志的大小在交通场景图像,深的性能上优于小交通标志检测方法仍然是有限的。此外,推断当前最先进的方法对交通标志检测的速度仍然缓慢。本文提出一种基于深度学习方法提高小型交通标志检测的性能在驾驶环境中。首先,采用一个轻量级的、高效的体系结构作为基础网络地址的问题推理速度。提高性能在小交通标志检测,采用反褶积模块生成一个增强的功能映射通过聚合一个低级特性映射与更高级的功能映射。然后,两个提案改善区域网络用于生成建议的最高级别的地图地图功能和增强功能。提出改善地区建议网络是专为快速和准确性提议的一代。在实验中,德国交通标志检测基准数据集被用来评估每个增强模块的有效性,Tsinghua-Tencent 100 k数据集是用来比较的有效性建议的方法与其他先进的交通标志检测方法。 Experimental results on Tsinghua-Tencent 100K dataset show that the proposed approach achieves competitive performance compared with current state-of-the-art approaches on traffic sign detection while being faster and simpler.

1。介绍

建立交通标志识别在智能交通系统中扮演着重要的角色,例如一个自动驾驶系统和一个高级驾驶员辅助系统。交通标志识别系统通常包括两个阶段:交通标志检测和交通标志识别。交通标志检测需要图像从一个相机定位准确捕捉到交通标志区域,而交通标志识别每个交通标志分类到相应的类。利用检测交通标志的检测阶段作为识别输入阶段。因此,交通标志检测的准确性显著影响整个系统的准确性。提出了很多方法来检测交通标志(1]。传统方法(2- - - - - -7)通常都是基于手工的特性,比如颜色、纹理、边缘,和其他低级特性来检测交通标志在一个图像。在驾驶环境下,由于交通标志的外观的多样性,阻塞的交通标志由其他对象,和光照条件的影响,传统的交通标志检测方法显示性能不佳。

深度学习最近的快速发展,许多基于深度学习方法交通标志检测(8- - - - - -15)提出了与传统方法相比表现出杰出的表现。基于深度学习的交通标志检测方法首先创建交通标志的候选人,然后分类器是用于识别交通标志和背景类。虽然深上优于交通标志检测方法表现良好在困难的驾驶环境中,这些方法的性能仍然很低在困难的条件下讨论如下:(我)交通标志的大小非常小在交通场景图像,和小交通标志检测比大的交通标志检测更具挑战性。最近的交通标志检测方法的重点是一个大型的交通标志。因此,这些方法的性能是有限的小型交通标志检测(2)交通标志检测方法的推理速度是一个大问题在驾驶环境中车辆不太可能配备高端硬件组件。最近的交通标志检测方法实现对高端系统。因此,有必要建立一个驾驶环境中更快的交通标志检测框架

解决这些问题,本文设计一种基于深度学习快速、有效的交通标志检测的框架。拟议的框架使用ESPNetv2网络(16)的基于卷积层提高了处理速度。增强的性能提出了框架在小交通标志检测、反褶积模块是用来创建一个增强的特性从卷积特性映射地图生成的基础网络。方案生成过程,两个提案改善区域网络(rpn)采用生成大型和小型交通标志卷积提议从输入层。提案改善地区网络设计基于最初的地区建议网络(17]快速和有效的建议。建议的方法是评估在德国交通标志检测基准数据集和Tsinghua-Tencent 100 k数据集。的结果表明,该方法实现竞争力的性能与目前最先进的方法更快、更简单。本文的主要贡献可以概括如下:(我)为快速、有效的交通标志检测的目的,本文采用一个轻量级的网络为基础的网络。提出基础网络大大降低了整个框架的计算成本(2)生成方案,本文设计了一种新颖的基于最初的RPN项增加推理的速度和检测精度提出了框架。在改进项, 卷积层是第一次使用后的输入特性映射到减少参数的数量。然后,扩张卷积是用来扩大接受域,因此包括更多的信息从其他领域来帮助识别对象的边界和维护参数的数量。提出可以采用其他项对象检测行人检测和车辆检测等任务(3)提高该网络的性能小交通标志检测、反褶积模块用于生成增强功能映射,其中包含更多的歧视表现为小型交通标志。反褶积模块提高了浅特征地图从一个较低的特征层与更高更深层次的功能映射功能层(iv)进一步提高检测性能的网络,一个地区的提议生成模块包括两个改进项旨在产生一组好的建议增强特性映射和最高级别的功能映射(v)公共数据集的实验结果表明,该方法实现了类似的准确性与其他先进的交通标志检测方法相比,更简单、更快速。拟议的框架可以应用于实时智能交通系统

其余本文组织如下。部分2评审的相关工作。部分3拟议的框架的细节。部分4提供了实验结果和比较该方法与其他方法在公共数据集。最后,结论部分5。

2。相关工作

2.1。交通标志检测

建立交通标志检测可分为两类:基于传统方法和深度学习的方法。传统方法通常是基于手工颜色和形状等特性来检测交通标志。Bahlmann et al。2]提出使用一组Haar小波的特性从演算法获得培训检测交通标志和贝叶斯分类生成建模。Salti et al。3]提出一种基于感兴趣区域提取的方法而不是滑动窗口检测。此外,面向的SVM分类器以柱状图的梯度地区的利益作为输入特征用于分类。在[4),作者利用圆检测算法和一个RGB-based颜色阈值技术来检测交通标志。交通标志识别的合奏的特性包括面向梯度直方图,局部二进制模式和伽柏特性中使用一个支持向量机分类框架。Timofte et al。5)提出将2 d和3 d技术来提高交通标志检测与识别的结果。在[6),本地化改进方法提出了交通标志的候选人。利用颜色和形状先验在迭代优化方法作为前景对象准确段交通标志。在[7),作者提出了一个系统,三个工作阶段:图像预处理、检测和识别。该系统表明,使用RGB颜色分割和形状匹配,后跟一个支持向量机分类器带来不错的效果。手动功能,如直方图的梯度和增强信息的典型的颜色和几何形状,往往失败在很多困难的驾驶环境。因此,传统的交通标志检测方法显示性能不佳。

最近,深卷积神经网络(CNN)的快速发展,许多交通标志检测方法基于深度提出了CNN,表现出更好的性能与传统方法相比。吴et al。10]提出了利用支持向量机将原始图像转换为灰度图像在第一阶段。卷积神经网络与固定和可学的层用于检测和识别交通标志。在[11),作者提出了一个新颖的框架有两个深度学习组件,包括完全卷积network-guided交通标志建议和深CNN对象分类。朱et al。9)提出了一个完全卷积网络同时执行检测和分类。刘等人。8介绍基于区域)提出了多尺度卷积神经网络利用多尺度反褶积操作upsample更深的卷积层的特性并将它们连接的浅层构造融合特征映射。在[12),探测器基于快R-convolutional神经网络和MobileNet的结构设计并实现在驾驶环境中检测交通标志。此外,颜色和形状信息被用来改进小型交通标志的本地化。杨et al。13)设计了一种新颖的检测模块根据交通标志建议提取和分类建立在面向的概率模型和颜色直方图的梯度。然后,卷积神经网络用于进一步分类检测信号在每个子类父类。李等人。14)提出了一个模型的三个阶段:channel-wise粗特征提取是第一次采用生产粗特征图谱信息丢失,channel-wise然后使用分层功能细化完善分层功能,地图融合和分层特性是在最后阶段使用保险丝分层特性映射到生成最终的交通标志显著地图。在[15),作者引入了关注网络更快R-CNN寻找潜在的利益地区,大致分类成三种类型根据交通标志的颜色特征。然后,优良的地区建议网络旨在生成最终的地区建议从一组锚/功能地图位置。Zhang et al。18]提出了一种级联R-CNN获得金字塔的多尺度特性和多尺度的注意方法获得加权多尺度特征点积和softmax强调交通标志特征,提高交通标志检测的准确性。在[19],作者提出了新颖的轻量级的网络,可以获得较高的识别精度,同时保留少可训练的参数模型。此外,一个新的模块结合了两种流特性和密集连接通道引入改善交通标志识别的准确性。

2.2。小目标检测

在交通场景图像,交通标志通常只占整个图像的一小部分。此外,小目标检测比大对象检测更具挑战性。因此,许多深度学习框架提出了增强的信息表示卷积的小对象特征的地图。Zhang et al。20.)提出了一个模型,该模型由一个地区建议网络产生候选对象区域和一个对象检测和全球信息网络,具有多尺度特性。在[21),作者提出了一个统一的深CNN快速多尺度检测对象。在这个框架中,检测在不同的执行中间网络层,使所有对象尺度的检测。曹et al。22]提出了一种改进的基于速度提出CNN对小目标检测算法。一种改进的基于损失函数交叉在联盟,融合多尺度卷积特性,介绍了改进nonmaximum抑制算法增强小目标检测的性能。李等人。23]提出了一种新的感知生成对抗的网络模型,提高了小目标检测通过缩小表示差异大的小物体。魏et al。24)提出了三个改进CNN-based视觉物体检测先进驾驶辅助系统,包括使用反褶积和CNN的融合特性映射到地图创建增强特性,采用软nonmaximal抑制解决对象阻塞的挑战,为更好的对象和设置锚箱正确匹配和定位。在[25)、林等人利用固有的多尺度金字塔层次深卷积网络构造特征金字塔与边际额外成本。

3所示。提出了框架

图1说明了该方法的总体框架。基础网络基于ESPNetv2网络(16)首先需要输入图像生成卷积功能地图。改善的能力提出框架小交通标志检测,反褶积模块是用于聚合输出特性映射在2层与输出特性映射在第三层创建一个映射增强特性。然后,采用两个提案改善区域网络生成建议的最高级别的卷积特性映射和增强的卷积特性映射。改进的区域网络包括一个建议 卷积层减少参数的数量和在随后的卷积层 扩张扩大接受域卷积,从而提高检测准确性和建议一代的推理速度阶段。在检测网络感兴趣的区域池层是采用调整建议固定大小的特征图的大小,和完全连接层用于分类的建议和回归的边界框的建议。在下面几节中,提出的方法是详细解释。

3.1。基础网络

大多数基于深度学习方法对交通标志检测的重点是检测精度。在驾驶环境下,除了检测精度,推理速度也是一个大问题。此外,车辆在驾驶环境中不太可能配备高端图形卡一样强大的用于研究环境。因此,有必要建立一个更快的网络交通标志检测的驾驶环境。在[26),刘等人表明,大约有80%的时间是花在基本卷积层。因此,使用更快的基础网络可以大大提高推理框架的速度。ESPNetv2网络(16)是一个快速和有效的网络使用深度方面扩张可分离旋转而不是深度方面可分离旋转(27)学习表示从一个大有效的接受域。表1ESPNetv2之间提供了一个性能比较和最先进的高效网络分类数据集[1000 ImageNet路上28]。如表所示1,ESPNetv2达到最小的最佳性能计算预算( 百万失败)。此外,ESPNetv2相似性参数的数量相比ShuffleNetv1和MobileNetv2而更准确。因此,ESPNetv2架构采用本文为基础网络的快速、高效的交通标志检测。

假设输入图像的分辨率 ,ESPNetv2用于本文的架构如图2内核大小、过滤数,和输出大小。ESPNetv2网络代替标准曲线玲珑的极其有效的空间金字塔深度方面扩张可分离旋转(EESP单位)和向极其高效空间金字塔的深度方面扩张可分离旋转(向EESP单位)。在每一层,ESPNetv2多次重复EESP单位增加网络的深度。图3说明了EESP的结构单元(a)和向EESP单元(b)。EESP单位第一项目高维输入特性映射到低维空间中使用组并行逐点运算,然后学习表示使用深度方面扩张可分离旋转与不同的膨胀率。不同的膨胀率在每个分支允许EESP单元学习表示从一个大有效的接受域。集团逐点和深度方面扩张可分离旋转,总EESP单元的复杂性降低(16]。另一方面,向EESP单元用于学习有效地在多个尺度表征。在向EESP单位,深度方面扩张运算替换为它们向同行。此外,平均池层中添加2步向EESP单元如图3 (b)。更好的编码空间关系和学习有效地表示,一个高效的远程快捷输入图像和当前将采样单元之间的连接被添加在向EESP单位。这连接第一downsamples图像大小相同的特征映射重复 平均池层然后学习表示使用一堆两个旋转。第一个卷积是一个标准 卷积学习而第二个卷积是一种空间表示 逐点卷积学习输入和项目之间的线性组合到一个高维空间。

功能的最高级别的卷积层ESPNetv2体系结构能够更好地描述大规模交通标志图像的特点,所以最高级别的卷积ESPNetv2网络层采用生成方案,确保大规模的交通标志检测方法的有效性。对于小规模的交通标志,从大尺度特性(低CNN层)能够更好地描述小规模交通标志的特点。然而,浅的低层次特征图谱特征金字塔本身缺乏对目标识别良好的语义信息。因此,本文增加了deconvolutional模块,该模块融合特征映射的第二层和第三层ESPNetv2网络,生成增强特性映射到更好的描述小规模交通标志的特点。这个deconvolutional模块,从更高层次的语义可以传达到下层增加表示能力。deconvolutional模块的细节将在下一节中解释。

3.2。反褶积模块

反褶积模块显示在DSSD有利于小目标检测(31日]。提高一层浅特征地图从一个较低的特征与更高更深层次的功能映射特性小交通标志层和提高检测性能,本文增加了反褶积模块总输出特性与输出功能层2层3。反褶积模块,从更高的功能语义层可以传达到一个较低的功能层来提高表达能力。图4说明了本文中使用的反褶积模块的体系结构。如图4,一个 卷积层是第一次与低层特征映射层2后提取。反褶积的分支,一个 其次是使用反褶积层 卷积层upsample地图对应的高级特性。一批标准化层添加每次卷积后层。第三层后的高级特性提取地图。反褶积层应用于放大功能地图大小以低层特征图的大小相匹配。值得注意的是,反褶积的操作不同于upsampling操作。反褶积的操作提供了一组参数学习的非线性upsampling特性在深厚层upsampling操作重新调节图像通过使用一种插值方法所需的大小。最后,这两个特性的输出层,具有相同的空间大小和深度,以聪明元素相结合的产品和加工ReLU层产生一个增强的功能映射。

3.3。方案生成与改善地区建议网络

该地区建议网络(RPN) [17)是一种高效且精确的地区建议一代网络显示出令人鼓舞的性能目标检测。提高推理的速度和检测精度提出了框架,本文设计一种改进的基于项的RPN [17]。图5说明了原始的RPN的结构(a)和(b)项改善提出了。首先,压缩项,增加推理速度,本文减少了渠道的数量的输入特性映射到的RPN减少参数的数量。减少输入通道的输入特性可以进一步减少参数的数量在随后的卷积层。ResNet [32)使用 卷积层来减少输入通道的数量在不损失精度的同时获得效率。因此,本文采用一种 卷积层后输入特性映射到减少参数项。本文从实验结果,减少了输入通道的数量到64年获得良好的建议和处理速度快。第二,提高检测的准确性,扩张卷积(33)采用卷积在原始的RPN替代标准。扩张卷积是一种强大的模块上下文的语义分割。扩张卷积是用来扩大接受域,因此包括更多的信息从其他领域来帮助识别对象的边界。另一个优势是,使用扩张卷积不增加参数的数量或金额的计算,因为零操作跳过。本文提出的改进的RPN可以采用其他对象检测任务,比如行人检测和车辆检测。

增强特性deconvolutional模块生成的地图可以提高分辨率为小规模的交通标志和语义信息,从最高的卷积和特征映射层ESPNetv2网络能够更好地描述大规模交通标志图像的特征。提出该地区方案生成模块接收增强特性映射和最高级别的卷积功能映射,产生一组建议需要进一步处理的nonmaximum抑制(NMS)算法的区域方案生成模块。该地区方案生成模块包括两个改进项工作在不同的卷积层生成建议如图6。每个改善RPN首先生成一组锚箱从输入卷积特性地图然后产生两种不同的输出为每个锚盒子。第一个分数是一个客体性,这意味着锚是一个对象的概率。第二个输出是边界框回归调整锚,以更好地适应对象。由于主持人通常是高度相互重叠,nonmaximum抑制算法采用的地区建议代模块重复的建议来解决这个问题。

3.4。检测网络

检测网络包括一个感兴趣的区域(RoI)池层调整建议固定大小的特征图的大小和完全连接(FC)层分类建议和回归的边界框的建议。RoI池层使用max池特性在任何有效的地区利益转化为一个小功能,地图与一个固定的空间范围 。RoI池除以工作 RoI提议到 网格近似好子窗口的大小 然后max-pooling值在每个网格单元好子窗口到相应的输出。RoI池避免反复计算卷积层,因此可以显著加快训练和测试时间。后提取固定大小的特征图谱为每个提案通过RoI池,这些特征图谱用于分类。分类阶段有两个不同的目标:到交通标志和背景类分类建议,调整边界框的交通标志检测根据预测类。两个FC层有2048个神经元采用本文提取交通标志的区别的特征。从每个RoI的特性被夷为平地的一个向量,输入两个单独的FC层:一盒分类层和一盒回归层。第一个足球俱乐部层进入将softmax层计算概率的交通标志和背景的信心。第二个FC层线性激活功能就退化交通标志检测的边界框。

3.5。培训和损失函数

拟议的框架的培训过程包括两个阶段。首先,该地区建议一代网络训练与训练样本,然后,这两个地区的提议一代网络训练和检测网络。卷积特性和分辨率 ,有总 锚箱。这些锚箱高度相互重叠。此外,还有更多的负面比积极的锚锚箱盒,这将导致偏见在培训过程中,如果所有锚箱用于培训。对于一个锚箱在位置 在一个图像,本文首先发现这个锚箱的最佳匹配的地面实况框基于联盟的交集(借据)来创建一个训练样本锚盒子。两个锚框之间的借据和被定义为以下方程:

让代表了最佳匹配的地面实况框锚盒子 ,和代表了借据重叠锚盒子和地面真理的盒子 。如果高于0.7,锚盒子吗选择积极的锚。如果低于0.3,选择锚-锚。否则,这个锚将被丢弃,不作为训练样本。然后,256锚箱从一个图像是随机抽样minibatch,正面和负面的锚之间的比例是1:1。边界框的回归可以从锚点坐标和地面真理获得边界框以类似的方式呈现在17]。

本文客观损失函数的加权和分类损失减小到最低限度和本地化的损失为该地区建议代网络和检测网络。客观损失函数定义如下: 在哪里训练样本的大小,在训练样本阳性样品的数量,锚的预测概率吗作为一个交通标志,是相应的地面实况标签(1为积极的锚和0 -锚点),锚预测坐标偏移量吗 ,和锚定相关的补偿吗相对于地面的真相。由于没有地面实况边界框与消极锚箱、边界框回归应用只有积极锚盒子。在(2),二进制逻辑用于箱分类损失,顺利L1损失(17)采用框回归。与上述目标函数,网络可以被反向传播训练和随机梯度下降策略。

在测试时间、测试图像输入前馈网络的传递。建议一代网络生成与边框和分类别人建议候选人。Nonmaximum抑制(NMS)采用选择256建议更高的信心基于预测分数,和检测网络进一步改进和类分数为每个位置的建议。

4所示。实验结果和讨论

为了比较建议的方法的有效性与其他先进的交通标志检测方法,本文在两个公共数据集进行实验:德国交通标志检测基准和Tsinghua-Tencent 100 k。该方法实现窗口系统机与英特尔酷睿i7 8700 CPU, NVIDIA GeForce 1080 GTX GPU和16 gb的RAM。实现深CNN TensorFlow采用框架。

4.1。数据集

在这篇文章中,两个公共数据集被用来评估建议的方法的有效性,包括德国交通标志检测基准(GTSDB) [34)和Tsinghua-Tencent 100 k (tt - 100 k) [9]。表2总结这些数据集的相关信息。

GTSDB是应用最广泛的数据集来评估交通标志检测方法。GTSDB包含900图片,分为600 300训练图像和测试图像。每个图像的分辨率数据集 。每个图像包含0到6个交通标志,可能会出现在每一个角度和每一个照明条件下。所有的交通标志在这个数据集可以分为四类:禁止的红色和圆形迹象,与红色的危险信号,三角形状,强制性和蓝色圆形迹象,其余的交通标志具有不同形状和颜色不能分为这三类。的交通标志图像的大小不同 来 。

tt - 100 k的包含100000个图像分辨率 和覆盖大型照度和天气条件的变化。其中,总共10000张图片包含30000个交通标志。训练集和测试集之间的比例2:1。交通标志在这个数据集可以分为三类:禁止的标志主要是红色圆圈和黑色信息,强制性的迹象主要是蓝色的圆和白色信息,和警告信号主要是黄色的三角形和一个黑色的边界和信息。此外,根据交通标志图像的大小,交通标志在这个数据集可以分为三个类别根据其大小:小交通标志( 像素)、中交通标志( ),和大型交通标志( 像素)。表3显示了交通标志的数字实例每组的大小。与GTSDB数据集相比,图像在tt - 100 k的高分辨率数据集,和交通标志实例更小和更多样化。测试的能力提出了框架在不同的对象大小的检测,本文对所有组大小进行实验。

4.2。评价指标

为了比较该方法与其他方法的结果在交通标志检测,本文采用三个广泛使用的标准评估方法,包括精度( ),回忆( ),和 - - - - - -测量( )。这些标准定义如下: TP(真阳性)代表的正确检测交通标志、FP(假阳性)代表的错误检测交通标志、和FN(假阴性)代表了交通标志的数量。交通标志是正确的检测,如果这个交通标志和地面之间的借据真理交通标志至少是0.5。

4.3。性能结果

在这一部分中,首先进行一些实验GTSDB数据集来评估每个建议模块的有效性。然后,本文比较了该方法与其他的性能最先进的方法对tt - 100 k的数据集,包括更快R-CNN [17],SSD [26)、多级网络(9],MR-CNN [8]。

4.3.1。GTSDB数据集的实验结果

评估拟议的框架的每个模块的有效性,本文进行了几个实验GTSDB数据集和比较了检测结果与原始更快R-CNN框架。在第一个实验中,在原来的基础网络更快R-CNN (VGG-16 [35)被ESPNetv2网络。项和检测网络保持不变在R-CNN更快。在第二个实验中,改进的RPN用来替换原来的RPN R-CNN更快。VGG-16保存在这个实验为基础网络。在第三个实验中,VGG-16 ESPNetv2所取代,和两个改进项从一个卷积特性生成建议采用地图层2和第四层后ESPNetv2网络。在最后的实验中,一个反褶积模块添加如前一节所述。同时,两个改进项用于生成建议一个卷积特性映射由反褶积生成模块和最高级别的卷积特性图。要找到最好的反褶积的设计模块,本文使用element-wise笔和element-wise产品反褶积的合并过程模块。表4显示检测结果,这些实验的推理速度GTSDB数据集。如表所示4更快的地图R-CNN ESPNetv2网络是89.40%。通过添加附加项改善基础网络的第二层后,地图上增加5.14%。这个结果表明,额外的卷积与高分辨率层可以学习区别的特性的小框架的交通标志和带来更好的性能。此外,通过添加一个反褶积模块来提高一个浅卷积特性映射与一个更深的卷积特性地图,地图上增加了7.5%和7.62%。这些结果表明卷积特性映射由融合与反褶积运算和卷积upsampled更深一层一层浅卷积是更适合小型交通标志检测。推理速度,更快的与一种改进的RPN模块R-CNN提高0.13秒的速度。此外,更快的推理时间R-CNN ESPNetv2网络提高了0.71秒,而原始R-CNN更快。这些结果显示提出的RPN的有效性和ESPNetv2架构。图7显示了该方法的检测结果的比较(红框)和快R-CNN GTSDB数据集(蓝框)。如图7,该方法可以准确地定位小交通标志虽然快R-CNN不能检测小交通标志。

4.3.2。实验结果在tt - 100 k的数据集

评价了该方法的有效性,本文比较了该方法的检测结果与其他先进的方法的结果在tt - 100 k的数据集,包括更快R-CNN [17],SSD [26)、多级网络(9],MR-CNN [8]。表5显示检测结果的比较在所有三个类别的tt - 100 k的数据集。如表所示5,该方法的性能优于更快R-CNN和SSD。更具体的, - - - - - -测量,该方法的性能优于R-CNN快51.8%,19.3%,和6.4%的在一个小,中,大群,分别。与SSD相比,该方法的性能提高了51.3%,20.6%,和8.0%的在一个小,中,大群,分别。因为快R-CNN和SSD框架都受制于其输出卷积特征图的大小,这些框架显然无法检测小交通标志。与多级网络相比,该方法实现竞争结果与一小群和优于中型和大型集团。推理的时间,该方法的图像的处理需要0.28秒,而快R-CNN框架需要2.15秒。ESPNetv2网络和本文改进的RPN用于显著提高该方法的推理时间。SSD是最快的框架,它只需要0.12秒,但是SSD显示性能比建议的方法。从表5,MR-CNN达到最佳的性能在一个中小集团。因为推理速度不是提到MR-CNN原始论文的论文和代码不公开,推理时间不能直接比较。然而,MR-CNN框架使用多个反褶积和基础网络的连接操作在不同的层,所以这个框架是高计算成本。该方法达到最佳的性能在一个大组。此外,该方法满足了实时检测标准,可以直接应用于硬件在驾驶环境中使用。图8显示了该方法的检测结果Tsinghua-Tencent 100 k数据集。如图8,该方法可以检测小交通标志实例占据不到2%的形象。

5。结论

本文提出了基于深度学习快速、有效的交通标志检测的框架。拟议的框架,提高推理速度ESPNetv2网络采用基于网络。反褶积模块是用来创建一个地图包含更多的表示能力增强特性。此外,建议一种改进的区域网络,其中包括一个 卷积层减少参数的数量和在随后的卷积层 扩张扩大接受域卷积,目的是提高性能的建议一代舞台。在实验中,采用两个广泛使用的数据集来评估每个增强模块的有效性和整个框架,包括GTSDB数据集和tt - 100 k的数据集。这些数据集上实验结果表明,该框架可以提高交通标志检测具有挑战性的驾驶条件下的性能,满足一个先进的司机助理系统的实时要求。

数据可用性

本文中使用的代码可从作者要求。

的利益冲突

作者宣称没有利益冲突有关的出版。