YOLO-LLTS：基于前导引导增强与多分支特征交互的实时低光环境车流标志检测
计算机视觉与模式识别
2026-01-21 v4
摘要
车流标志检测是自动驾驶和高级驾驶辅助系统（ADAS）的关键任务。然而，现有方法在处理低光环境下的图像质量差和信息不足的挑战时表现不佳，导致检测精度下降，影响行车安全。为此，我们提出了 YOLO-LLTS，一个专为低光环境设计的端到端实时车流标志检测算法。YOLO-LLTS 主要贡献包括：HRFM-SOD 模块相较于传统方法保留了更多关于遥远或微小车流标志的信息；MFIA 模块通过不同感受野特征交互来提高信息利用率；PGFE 模块通过提高亮度、边缘、对比度并补充细节信息来提高检测精度。此外，我们构建了一个新型数据集——中国夜间车流标志样本集（CNTSSS），覆盖多样化的夜间场景。实验表明，YOLO-LLTS 实现了最先进的性能，在 TT100K-night 上超越前所最佳方法提高了 2.7% mAP50 和 1.6% mAP50:95，在 CNTSSS 上提升了 1.3% mAP50 和 1.9% mAP50:95，在 GTSDB-night 上提升了 7.5% mAP50 和 9.8% mAP50:95，并在 CCTSDB2021 上取得优异结果。部署在边缘设备上 confirms its real-time applicability and effectiveness。代码和数据集均可在 https://github.com/linzy88/YOLO-LLTS 获取。
引用
@article{arxiv.2503.13883,
title = {YOLO-LLTS: Real-Time Low-Light Traffic Sign Detection via Prior-Guided Enhancement and Multibranch Feature Interaction},
author = {Ziyu Lin and Yunfan Wu and Yuhang Ma and Junzhou Chen and Ronghui Zhang and Jiaming Wu and Guodong Yin and Liang Lin},
journal= {arXiv preprint arXiv:2503.13883},
year = {2026}
}
备注
This work has been published in IEEE Transactions on Instrumentation and Measurement