结合轻量化与多尺度融合的交通标志检测算法

作者：兰红; 王惠钊

来源：计算机工程, 2024, 1-13.

DOI：10.19678/j.issn.1000-3428.006768269

• 卷积神经网络
• 模型轻量化
• 目标检测
• 注意力模块
• 多尺度融合

交通标志检测在自动驾驶领域具有重要的应用价值，及时准确地检测交通目标对提高驾驶安全性和预防交通事故有重要意义。针对交通标志尺寸小，易受遮挡，在复杂环境下容易出现漏检、错检等问题，在YOLOv8的结构基础上提出一种结合轻量化与多尺度融合的交通标志检测网络架构M-YOLO(Multiple-YOLO)，构建M-YOLOs(Multiple-YOLO small)模型来应对高精度需求的检测任务，并调整网络深度得到更加轻量化的M-YOLOn(Multiple-YOLO Nano)模型来解决不同环境下的检测需求。首先，针对交通标志目标尺寸小、图像特征流失的问题，通过增加小目标检测层，保留更多的特征信息，提高网络对于小目标的特征学习能力。提出高效多尺度特征金字塔融合网络MPANet(Multiple Path Aggregation Network)，通过将浅层特征图进行降维，并进行跳跃连接，从而融合更多的图像特征信息。然后，提出融合稀疏注意力和空间注意力的BRSA(Bi-Level Routing and Spatial Attention)注意力模块，能够有效的提取全局和局部的位置信息，减少复杂背景下对于关键信息的干扰。最后，设计两种轻量高效的BBot模块和C2fGhost模块，以提高模型运算速度并减少参数量。实验结果表明，M-YOLO相较于YOLOv8，参数量降低约1/3。在TT100K数据集和GTSDB数据集上，M-YOLOs检测精度分别提升了9.7%和2.1%，M-YOLOn检测精度分别提升了14.5%和2.6%，轻量化的同时具备更高的检测效果。本文提出的M-YOLO架构解决了浅层特征图在特征提取过程中信息丢失的问题，并显著降低模型特征提取过程中冗余的计算开销，在实景采集的数据集上证实效果有效，表明在交通标志检测任务中具有应用价值。

• 单位
  江西理工大学