CCSPNet-Joint：极端条件下交通标志检测的高效联合训练方法
计算机视觉与模式识别
2024-09-11 v4
摘要
交通标志检测是智能驾驶中的一个重要研究方向。遗憾的是，现有方法常常忽视雾、雨和运动模糊等极端条件。此外，图像去噪与目标检测模型的端到端训练策略未能有效利用模型间信息。为解决这些问题，我们提出了 CCSPNet，一种基于 Contextual Transformer 和 CNN 的高效特征提取模块，能够充分利用图像的静态与动态特征，实现更快的推理速度并提供更强的特征增强能力。进一步地，我们建立了目标检测与图像去噪任务之间的关联，并提出联合训练模型 CCSPNet-Joint，以提升数据效率和泛化能力。最后，为验证我们的方法，我们创建了用于极端场景交通标志检测的 CCTSDB-AUG 数据集。大量实验表明，CCSPNet 在极端条件下的交通标志检测中达到了最先进的性能。与端到端方法相比，CCSPNet-Joint 在精度上提升了 5.32%，在 [email protected] 上提升了 18.09%。
引用
@article{arxiv.2309.06902,
title = {CCSPNet-Joint: Efficient Joint Training Method for Traffic Sign Detection Under Extreme Conditions},
author = {Haoqin Hong and Yue Zhou and Xiangyu Shu and Xiaofang Hu},
journal= {arXiv preprint arXiv:2309.06902},
year = {2024}
}