FUSED-Net：基于有限数据检测交通标志
计算机视觉与模式识别
2025-01-06 v2 人工智能
摘要
自动交通标志识别是现代交通系统的关键任务，激发了多项研究致力于通过利用大规模数据集提升性能。由于交通标志在不同国家的外观差异巨大，大规模数据集的构建往往不可行；同时，需要高效模型以有限数据实现满意性能。为此，我们提出一种名为 FUSED-Net 的方法，基于 Faster R-CNN，增强了 Unfrozen Parameters（未冻结参数）、Pseudo-Support Sets（伪支持集）、Embedding Normalization（嵌入归一化）和 Domain Adaptation（域适应），同时降低数据需求。与传统方法不同，FUSED-Net 在训练期间保持所有参数未冻结，使其能够从有限样本中学习。通过数据增强生成伪支持集，以弥补目标域数据稀缺的不足。此外，融合嵌入归一化以减少类内方差，标准化特征表示。通过在与目标域不同的多样化交通标志数据集上预训练，实现域适应，提高模型泛化能力。在 BDTSD 数据集上评估显示，FUSED-Net 在 1-shot、3-shot、5-shot 和 10-shot 场景下的 mAP 分别比当前最先进的少样本目标检测（FSOD）模型提升了 2.4 倍、2.2 倍、1.5 倍和 1.3 倍。此外，在多个场景下，我们在跨域 FSOD 基准中超越了当前最先进的工作。
引用
@article{arxiv.2409.14852,
title = {FUSED-Net: Detecting Traffic Signs with Limited Data},
author = {Md. Atiqur Rahman and Nahian Ibn Asad and Md. Mushfiqul Haque Omi and Md. Bakhtiar Hasan and Sabbir Ahmed and Md. Hasanul Kabir},
journal= {arXiv preprint arXiv:2409.14852},
year = {2025}
}
备注
19 pages, 8 figures, 5 tables, submitted to IEEE Access for review