基于线索的上下文关注机制:用于识别非受限道路运输信号缺失
该研究通过定义交通信号关注度属性,构建了包含该属性注释的第一个交通信号数据集 LAVA Salient Signs Dataset,并使用定制的关注度损失函数 Salience-Sensitive Focal Loss 训练变形 DETR 目标检测模型,以强调更好的关注度表现,结果表明,使用 Salience-Sensitive Focal Loss 训练的模型较未使用该训练方式的模型,在检测关注度高信号和所有信号的召回率方面表现更好,并且对于关注度高信号与所有信号的性能差距最大。
Jan, 2023
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
我们提出了一个交通标志解释(TSI)任务,旨在将全局语义相关的交通标志(例如驾驶指令相关的文本、符号和指引面板)翻译成自然语言,为自动驾驶或辅助驾驶提供准确的指导支持。同时,我们设计了一个多任务学习架构来完成 TSI,负责检测和识别各种交通标志,并将其解释成类似人类的自然语言。在中国公路和城市道路的真实场景图像上进行的实验表明,即使标志之间存在复杂的语义逻辑,TSI 任务也是可实现的,而 TSI-CN 数据集和 TSI 架构的源代码将在修订过程后公开发布。
Nov, 2023
本研究提出了一种声控实时交通标志识别系统,使用了卷积神经网络进行交通标志的检测和识别,并通过语音信息来向驾驶员表达交通标志的内容。该系统的优势在于能够检测并向驾驶员传达交通标志的信息,即使驾驶员未能看到或理解。这种类型的系统也对自动驾驶汽车的发展非常重要。
Apr, 2024
提出了一种基于 Transformer 和 CNN 的高效特征提取模块 CCSPNet,它有效地利用上下文信息,实现更快的推理速度并提供更强的特征增强能力,与图像去噪和目标检测任务建立了相关性,并提出了联合训练模型 CCSPNet-Joint 来提高数据效率和泛化能力。通过创建 CCTSDB-AUG 数据集验证了这种方法,在极端条件下的交通标志检测方面,CCSPNet 取得了最先进的性能,相比于端到端方法,CCSPNet-Joint 在精度上提升了 5.32%,在 [email protected] 上提升了 18.09%。
Sep, 2023
该研究论文解决了自动驾驶车辆和驾驶辅助系统中与交通标志检测相关的挑战,特别关注使用 Transformer 模型来提高检测的速度和准确性。
Nov, 2023
本文提出了一种识别未被物体探测器检测到的交通标志的方法,使用单镜头多盒物体探测器训练了一个分离的假阴性检测器,并使用精度和召回率在比利时和德国交通标志数据集中分别实现了 89.9% 和 90.8% 的精度,这是首个解决机器视觉中假阴性探测的关键问题的方法,可以提高机器人视觉系统在我们日常生活中的应用。
Mar, 2019
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
本文提出了一种因果关系注意力模块,通过自我注释来识别难以预测的混淆变量,从而使深度学习模型更好地处理在分布不同的情况下仍具备鲁棒性的因果特征,不仅解决了监督注释需要高昂成本、混淆变量难以抽象提取等问题,并在相应实验中得到了卓越的结果。
Aug, 2021
通过定制化的数据增强技术以及包括合成图像生成、几何变换和基于障碍物的增强方法,该研究解决了交通标志识别中的关键挑战:类别不平衡和数据集稀缺。研究结果表明,在交通标志识别模型性能方面取得了显著改进,这对于交通标志识别系统具有重要意义。该研究不仅针对交通标志识别的数据集限制进行了探讨,还提出了适用于不同地区和应用领域类似挑战的模型,为计算机视觉和交通标志识别系统领域迈出了一步。
Jun, 2024