MFL-YOLO：一种面向受损交通标志的目标检测模型
计算机视觉与模式识别
2023-09-14 v1
摘要
交通标志是保障交通安全与畅通的重要设施，但可能因多种原因受损，构成重大安全隐患。因此，研究一种检测受损交通标志的方法十分重要。现有针对受损交通标志的目标检测技术仍属空白。由于受损交通标志在外观上与正常标志更为接近，传统目标检测方法难以捕捉其细致的局部损伤特征。本文提出一种基于 YOLOv5s 的改进目标检测方法，即 MFL-YOLO(互特征层级损失增强 YOLO)。我们设计了一种简单的跨层级损失函数，使模型每一层级各有其作用，利于模型学习更多样特征并提升细粒度。该方法可作为即插即用模块应用，在提升精度的同时不增加结构复杂度或计算复杂度。我们还将 YOLOv5s 颈部的传统卷积与 CSP 替换为 GSConv 与 VoVGSCSP，以缩减规模与计算复杂度。相比 YOLOv5s，我们的 MFL-YOLO 在 F1 分数与 mAP 上分别提升 4.3 与 5.1，同时 FLOPs 降低 8.9%。Grad-CAM 热力图可视化显示，我们的模型能更好地聚焦于受损交通标志的局部细节。此外，我们还在 CCTSDB2021 与 TT100K 上实验，进一步验证模型的泛化性。
引用
@article{arxiv.2309.06750,
title = {MFL-YOLO: An Object Detection Model for Damaged Traffic Signs},
author = {Tengyang Chen and Jiangtao Ren},
journal= {arXiv preprint arXiv:2309.06750},
year = {2023}
}
备注
11 pages, 8 figures, 4 tables