View article

近年来交通标志检测任务得到了广泛的关注, 然而现有方法常无法满足检测实时性要求, 并且现有方法在检测小尺度交通标志时存在较多漏检情况, 为此, 提出融合注意力机制和上下文信息的实时交通标志检测算法. 该算法以 YOLOv5 为基准模型, 首先, 在主干网络中嵌入空间注意力机制自适应地强化关键位置的特征, 抑制干扰信息, 提高主干网络的特征提取能力; 其次, 设计跨阶段局部窗口 Transformer 模块用于学习不同位置间信息的关联性, 捕获交通标志周围丰富的上下文信息, 有助于提高小尺度交通标志的检测精度; 再次, 提出轻量的特征融合网络对不同尺度的特征图进行融合, 减少计算量的同时确保有效的特征融合; 最后, 在后处理阶段提出高斯加权融合方法修正检测框, 进一步提高定位精度. 在 TT100K 和 DFG 交通标志检测数据集上的实验表明, 提出的算法有效地改善了小尺度交通标志的漏检情况, 具有较高的准确性和实时性, 可以满足实际场景的交通标志检测需求.