Jun, 2024

优化交通标志识别：定制数据增强解决类别不平衡和样本匮乏问题

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • CURE-TSR: 面向交通标志识别挑战虚拟和真实环境

    研究交通标志识别算法在挑战性条件下的鲁棒性，并构建了基于真实世界和模拟数据的 CURE-TSR 数据集，分析了现有解决方案在真实世界场景下的性能，并显示出挑战性条件会显著降低基线方法的性能。此外，我们还调查了数据增强的效果，并表明与真实世界数据一起利用模拟数据可以增强真实世界场景中的平均识别性能。

    Dec, 2017

  • 探索适用于交通分类的生成式数据增强方法

    该研究论文主要讨论在网络使用情况下，包括流量分类领域尚未推广的数据增强技术对性能的改进，通过研究 14 种手工制作的数据增强方法在 MIRAGE19 数据集上的初步研究结果显示，数据增强可以在流量分类方面带来未被发掘的好处，从而促进了自动化数据增强设计的研究议程。

    Oct, 2023

  • 现实道路场景中的交通标志解读

    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

  • 基于卷积神经网络的 GTRSB 交通标志检测和分类优化

    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

  • 交通分类的数据增强

    数据增强（DA）在计算机视觉（CV）和自然语言处理（NLP）领域被广泛采用以提高模型性能，然而在网络环境中，尤其是在流量分类（TC）任务中，数据增强一直存在问题。本文通过对 3 个 TC 数据集使用数据包时间序列作为输入表示，并考虑多种训练条件，基准测试了 18 种增强函数，结果显示（i）DA 可以获得以前未探索的优势，（ii）基于时间序列顺序和掩码的增强函数更适用于 TC，（iii）简单的潜在空间分析可以提供有关增强效果的线索。

    Jan, 2024

  • 交通标志识别的对抗攻击：综述

    本文综述了在交通标志检测和分类模型上进行数字化或现实世界攻击的现有工作，探讨了最新发展并突出了需要进一步研究的领域。

    Jul, 2023

  • 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

  • 自动驾驶车辆视觉欺骗：针对交通标志识别系统的强韧物理对抗样本

    本文提出了一种系统的流程来逆置真实世界物体探测器的健壮身体对抗性，通过扩展图像变换的分布，设计各种攻击向量和考虑各种不同的环境因素，生成的物理例外能够有效地欺骗 YOLO v5 基于 TSR 系统的其他最新物体探测器，并做出了基于图像预处理、AEs 检测和模型增强三种防御机制的讨论。

    Jan, 2022