DFR-TSD：一种基于深度学习的在恶劣天气条件下鲁棒交通标志检测框架
图像与视频处理
2020-06-05 v1 计算机视觉与模式识别
机器学习
摘要
鲁棒的交通标志检测与识别 (TSDR) 对于自动驾驶车辆技术的成功实现至关重要。该任务的重要性引发了大量研究努力，现有文献中已提出许多有前景的方法。然而，SOTA (SOTA) 方法在干净且无挑战的数据集上评估，忽视了与不同挑战条件 (CCs) 相关的性能退化，这些条件使野外捕获的交通图像变得模糊。本文关注 CCs 下的 TSDR 问题，并聚焦于与之相关的性能退化。为此，我们提出了一种基于卷积神经网络 (CNN) 的带先验增强的 TSDR 框架。我们的模块化方法包括一个基于 CNN 的挑战分类器、Enhance-Net（一种用于图像增强的编码器-解码器 CNN 架构），以及两个分别用于标志检测和分类的 CNN 架构。我们提出了一种新颖的 Enhance-Net 训练流程，专注于挑战图像中交通标志区域（而非整幅图像）的增强，且以准确检测为前提。我们使用由不同 CCs 下捕获的交通视频组成的 CURE-TSD 数据集来评估我们方法的有效性。实验表明，我们的方法获得了 91.1% 和 70.71% 的总体精确率和召回率，相比当前基准分别在精确率和召回率上提升了 7.58% 和 35.90%。此外，我们将我们的方法与 SOTA 目标检测网络 Faster-RCNN 和 R-FCN 进行比较，并显示我们的方法大幅优于它们。
引用
@article{arxiv.2006.02578,
title = {DFR-TSD: A Deep Learning Based Framework for Robust Traffic Sign Detection Under Challenging Weather Conditions},
author = {Sabbir Ahmed and Uday Kamal and Md. Kamrul Hasan},
journal= {arXiv preprint arXiv:2006.02578},
year = {2020}
}