本文使用了改进的 YOLOv5 和 YOLOv8 模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

Jun, 2024

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

该研究项目旨在开发一个实时交通标志检测系统，使用 YOLOv5 架构并在郊区社区中进行高效的交通标志识别。项目的主要目标是在多样化的交通标志图像数据集上训练 YOLOv5 模型，并在适用于实时推断的硬件平台上部署该模型。该系统利用训练有素的 YOLOv5 模型，能够从车辆内部仪表盘上的实时摄像头中检测和分类交通标志。部署系统的性能将基于其交通标志检测的准确性、实时处理速度和整体可靠性进行评估。在郊区社区的案例研究中，该系统在检测交通标志方面显示出显著的 96% 准确率。该研究的发现有潜力通过提供及时准确的实时交通标志信息来改善道路安全和交通管理，并为自动驾驶的进一步研究铺平道路。

Oct, 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

研究交通标志改变对物体识别模型的影响，发现在不太可能的条件下暴露于修改的交通标志下，物体识别模型的准确性显著降低。这项研究强调了提高物体检测模型在现实场景中的鲁棒性的重要性，需要进一步研究来提高它们的准确性和可靠性。

May, 2023

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

我们提出了基于 YOLOv5s 的改进目标检测方法 MFL-YOLO（互补特征级别损失增强 YOLO），通过设计简单的跨级别损失函数，使得模型的每个级别都具有自己的作用，有助于学习更多多样化的特征并提高细粒度。相比 YOLOv5s，我们的 MFL-YOLO 在 F1 得分和 mAP 上分别提高了 4.3 和 5.1，同时减少了 8.9% 的 FLOPs。Grad-CAM 热图可视化显示我们的模型能更好地关注损坏交通标志的局部细节。此外，我们还对 CCTSDB2021 和 TT100K 进行了实验证明我们模型的泛化性。

Sep, 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

研究比较卷积神经网络和二值神经网络在识别交通标志上的表现，提出了一种从底层进行二值神经网络架构设计的方法，并且在测试集上取得了高于 80% 的准确率。

Mar, 2023

低分辨率图像识别中的关键在于特征提取，本文探讨了残差模块的基本维度及其对特征提取和计算效率的影响，并基于实验引入了一种双分支残差网络结构，结合常见特征子空间算法和中间层特征的利用，以提高低分辨率图像在交通环境中的识别精度，并通过知识蒸馏来减少网络参数和计算开销，实验证明该算法在低分辨率交通图像识别中的有效性。

Sep, 2023