面向大规模交通标志检测与识别的深度学习
计算机视觉与模式识别
2019-04-02 v1
摘要
交通标志的自动检测与识别在交通标志资产清查管理中起着关键作用。它以最小的人力提供了准确且及时管理交通标志资产的方式。在计算机视觉领域,交通标志的识别与检测是一个研究充分的问题。绝大多数现有方法在高级驾驶辅助与自动驾驶系统所需的交通标志上表现良好。然而,这仅代表所有交通标志中相对较小的一部分(数百类中约50类),而在剩余交通标志集合上的性能——这类标志是消除交通标志资产清查管理中人工劳动所必需的——仍是一个开放问题。本文中,我们解决了适用于自动化交通标志资产清查管理的大量交通标志类别的检测与识别问题。我们采用卷积神经网络(CNN)方法Mask R-CNN,以端到端自动学习解决检测与识别的完整流程。我们提出了若干改进,并在交通标志检测上进行了评估,带来了整体性能的提升。该方法应用于我们新颖数据集中表示的200类交通标志的检测。结果在以往工作尚未考虑的高度挑战性交通标志类别上给出。我们提供了对用于检测具有大类内外观变化的交通标志的深度学习方法的综合分析,并显示所提方法的错误率低于3%,足以部署于交通标志资产清查管理的实际应用。
引用
@article{arxiv.1904.00649,
title = {Deep Learning for Large-Scale Traffic-Sign Detection and Recognition},
author = {Domen Tabernik and Danijel Skočaj},
journal= {arXiv preprint arXiv:1904.00649},
year = {2019}
}
备注
Accepted for publication in IEEE Transactions on Intelligent Transportation Systems