Mar, 2024

基于卷积神经网络的 GTRSB 交通标志检测和分类优化

PDF
TL;DR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。
transportationvision-assisted technologiestraffic sign detectionconvolutional neural networksroad safety
发现论文，激发创造
  • 基于卷积神经网络的音频辅助实时交通标志识别系统

    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

  • 交通标志识别的二值化神经网络架构设计

    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

  • 使用胶囊网络进行交通标志检测的新型深度学习模型

    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

  • 基于局部视觉变换器的交通标志识别

    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

  • 高效视觉 Transformer 用于准确的交通标志检测

    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

  • 基于卷积神经网络的交通信号灯识别：一份调查报告

    实时交通信号灯识别对于自动驾驶至关重要。本研究通过对使用卷积神经网络（CNN）的交通信号灯识别方法进行综合调查和分析，着重于数据集和 CNN 架构两个重要方面，并将方法根据底层架构分为三个主要群组：(1) 修改通用目标检测器来补偿特定任务特征的方法， (2) 利用规则和 CNN 组件的多阶段方法和 (3) 特定任务的单阶段方法。我们描述了每个群组中最重要的工作，讨论了数据集的使用情况，确定了研究的空白点。

    Sep, 2023

  • 通过卷积神经网络实时检测驾驶员注意力分散以增强道路安全

    通过比较分析卷积神经网络结构，本研究旨在识别出最有效的实时检测驾驶员分心的模型，以提升车辆安全系统的能力，从而预防因不注意引发的事故。

    May, 2024

  • 颠覆交通标志识别：揭示视觉变换器的潜力

    本研究引入了一种创新的基于深度学习技术的交通标志识别（TSR）方法，特别强调视觉变换器。实验评估结果表明，该方法在提高预测速度和准确性方面具有显著的效果，为 TSR 算法的精确可靠开发奠定了基础，受益于驾驶辅助系统和自动驾驶汽车。

    Apr, 2024

  • 从大图像中检测小标志

    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

  • 低质量夜晚图像中的自动招牌识别

    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