在交通运输不断演进的背景下，汽车的普及使道路交通更加复杂，需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法，实现了接近 96% 的准确率，突出了通过高级定位技术可以实现更高的精度，这不仅对交通标志识别技术的持续发展有所贡献，也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。

Mar, 2024

提出了一种基于 SOS-CNN 的方法来检测实际条件下大图像中的小型交通标志，它通过将大图像分成小补丁，利用 VGG-16 作为基础网络，对补丁级别的目标进行检测，并采用图像金字塔实现尺度不变性。实验结果表明，该方法在检测精度和召回率方面对具有小尺寸的交通标志的检测是有效的。

Jun, 2017

本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

Nov, 2016

通过应用改进的 MIRNet 模型和 Yolov4 模型，本文解决了低光、噪声和模糊条件下交通标志识别的挑战，并在 GTSRB 数据集上获得了 96.75% 的整体 [email protected]，对于广泛类别的 GTSDB 数据集达到了 100% 的 [email protected]，与最先进的方法相当。

Aug, 2023

该论文研究了一种名为 “few-example object detection” 的目标检测方法，使用了大量未标记图像和每类仅少量标记图像，并提出了基于模型训练和高置信度样本选择的策略来生成高信度的训练样本；通过嵌入多个检测模型来进一步提高样本的精度和召回率，并在实验中证明了其与使用大量图像级别标签的最先进弱监督方法相比，使用每类仅 3-4 个样本可获得非常有竞争力的结果。

Jun, 2017

该论文提出了一种使用胶囊网络的交通标志检测新方法，通过动态路由和路由协议算法，胶囊网络可以更好地捕获图像的姿态、视角和方向，提高了自主车辆交通标志检测的可靠性和准确性。

May, 2018

通过结合卷积网络和 Transformer 网络的优势，本研究提出了一种新型的模型用于交通标志识别，实验证明该模型在德国和波斯交通标志数据集上超过了纯 Transformer 模型和最佳卷积网络的准确率，并且在保持快速推理速度的同时，更适合实际应用。

Nov, 2023

使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。

Sep, 2023

本文提出了一种基于三维包围盒的车辆细粒度识别方法，不局限于特定视角，通过 CNN 网络的训练与改进，较之其他算法提高了 12% 的识别准确率。

Mar, 2017

本文提出了一种基于雷达的多类别检测方法，结合卷积神经网络和目标聚类，针对目标和对象级别提供低层雷达数据的类信息和目标提议，实验表明该方法表现优越。

Apr, 2020