基于深度学习的交通标志检测方法研究

作者：吴鑫; 刘沄沄

来源：无线互联科技, 2021, 18(24): 120-123.

• 目标检测
• 特征融合
• CSPNet
• Focal loss
• FPN

为了实现对交通标志的精准识别和实时检测,文章提出用一种名为T-YOLOv3的深度模型来对道路交通标志进行实时检测。首先对交通标志进行精准数据增强,实现各种种类的交通标志的均衡分布。随后,使用三分支注意力(Triad attention)对CSPResNeXt网络进行改进,以CSPResNeXt为基础特征提取模块,优化梯度信息,提高检测速度;利用Focal loss来优化损失函数,提高交通标志定位的精度;最后,在测试集上对比YOLOv3,FasterR-CNN,SSD和CascadedR-CNN四种模型的检测准确率、召回率及FPS,在GTSDB数据集上进行消融实验测试。实验结果表明,T-YOLOv3的平均检测精度达到95.2%,FPS达到62.7。

• 单位
  湘潭大学