YOLO-CCA: 一种基于上下文的交通标志检测方法
图像与视频处理
2024-12-06 v1
摘要
交通标志检测对于提升道路安全和推进自动驾驶技术至关重要。由于驾驶环境的复杂性，交通标志检测经常面临一系列挑战，包括低分辨率、特征信息有限以及目标尺寸小。这些挑战显著阻碍了从交通标志中有效提取特征，导致目标检测中出现误检和漏检。为了应对这些挑战，有必要探索更高效、更精确的交通标志检测方法。本文提出了一种基于上下文的交通标志检测算法，以YOLOv7作为基线模型。首先，我们提出了一种自适应局部上下文特征增强（LCFE）模块，利用多尺度扩张卷积来捕捉目标与周围区域之间的潜在关系，该模块为网络补充了额外的局部上下文信息。其次，我们提出了一种全局上下文特征收集（GCFC）模块，用于从整个图像场景中提取关键位置特征作为全局上下文信息。最后，我们构建了一个基于Transformer的上下文收集增强（CCA）模块来处理收集到的局部上下文和全局上下文，在不引入额外复杂性的情况下为YOLOv7实现了优越的多级特征融合结果。在清华-腾讯100K数据集上进行的广泛实验研究表明，我们方法的mAP为92.1%。与YOLOv7相比，我们的方法mAP提升了3.9%，参数量减少了2.7M。在CCTSDB2021数据集上mAP提升了0.9%。这些结果表明我们的方法以更少的参数实现了更高的检测精度。源代码可在\url{https://github.com/zippiest/yolo-cca}获取。
引用
@article{arxiv.2412.04289,
title = {YOLO-CCA: A Context-Based Approach for Traffic Sign Detection},
author = {Linfeng Jiang and Peidong Zhan and Ting Bai and Haoyong Yu},
journal= {arXiv preprint arXiv:2412.04289},
year = {2024}
}