公共文化服务平台

搜索到1191篇“ 交通标志检测“的相关文章

一种增强前景的轻量级交通标志检测模型: 2025年; 交通标志检测在辅助驾驶中扮演着不可或缺的角色,为安全驾驶提供了至关重要的支持。在实际交通环境中,在黑夜或雨天产生的背景噪声会加大交通标志检测的难度。现有模型往往难以有效检出远处的小目标交通标志,此外,在设计交通标志检测模型时应当考虑到实际部署对模型体积的要求。为此,在YOLOv8的基础上提出一种增强前景的轻量级交通标志目标检测模型。首先,设计了1个轻量级的PC2f模块替换掉原本Backbone中的部分C2f模块,该模块降低了模型的参数量和计算量,在保留更多浅层信息的同时进一步丰富了梯度流信息,同时实现了模型轻量化和提升检测性能;其次,设计了前景增强模块(FEM)并将其引入Neck位置,该模块能够有效放大前景信息并减弱背景噪声;最后,增加了一层小目标检测层,用于在高分辨率的图像上提取浅层特征,加强模型对小目标交通标志的检测性能。实验结果表明,优化后的模型在数据集CCTSDB 2021和GTSDB上的mAP_(50)分别达到了82.5%和95.3%,相较于原模型分别提升了3.6和1百分点,并且模型权重大小减小了0.22×10^(6)。这些结果验证了所提模型在实际应用中的有效性。; 袁亚剑毛力; 关键词：交通标志检测小目标检测

一种分离式的交通标志检测与识别方法: 本发明公开了一种分离交通检测方法，本发明通过一个用于交通标志检测的YOLOv3‑SPP‑SE网络和一个用于交通标志分类的MobileNetv3‑small网络完成对交通标志的检测与识别；首先通过将视频流解码为用于检测的图...; 金文杨熙岑翼刚万晴

一种基于多尺度特征融合的复杂背景下交通标志检测方法: 本发明公开了一种基于多尺度特征融合的复杂背景下交通标志检测方法，包括以下步骤：包括以下步骤：A1图像输入；A2主干网络特征提取：图像经过DS‑C3模块的处理，提取出多尺度的特征信息；A3特征融合：提取的多尺度特征经过新加...; 张静杜晓雨谭亚军周晔

基于高分辨率网络与轻量注意力机制的交通标志检测方法: 一种基于高分辨率网络与轻量注意力机制的交通标志检测方法，包括：构建数据集并进行数据预处理，构成训练集和测试集；搭建基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型，包括依次串接的：输入单元、用于提取图像特征的多...; 吕卫梁芷茵褚晶辉

多算法融合的车载执法取证系统中实时车辆与交通标志检测技术: 2025年; 随着智能交通系统的快速发展,车载执法取证系统作为重要的交通执法工具,正在逐步应用于城市管理和交通安全领域。本文聚焦多算法融合的车载执法取证系统中的实时车辆与交通标志检测技术,深入剖析车载执法取证系统架构,阐述车辆及交通标志检测面临的实时性、准确性要求与难点。对比传统车辆检测方法与基于深度学习的检测手段,详述多算法融合在车辆和交通标志检测中的应用优势、实现过程及优化策略,以期为提升车载执法取证系统性能提供参考。; 阮成杨; 关键词：取证系统车辆检测交通标志检测

融合注意力机制的YOLOv8-TS交通标志检测网络: 2025年; 道路交通标志识别是自动驾驶、车联网的重要组成部分,为进一步提高交通标志检测的精度和速度,提出一种基于YOLOv8s改进的YOLOv8-TS道路交通标志检测网络。首先,对YOLOv8s进行了整体的轻量化设计,并设计了Conv-G7S和CSP-G7S模块,减少了网络的参数量;其次,设计了CSP-SwinTransformer模块,强化了模型利用窗口内的特征信息进行上下文感知和建模的能力;然后,在颈部网络融合了卷积注意力机制(CBAM),强化了模型对不同通道、空间权重信息的学习;最后,对损失函数进行了改进,提升了边界框回归性能。实验结果表明,在中国道路交通标志TT100K数据集上,精确率(Precision)、平均精度(mAP@0.5)分别提高了6.9%、3.7%,而改进后模型的参数量下降了75.4%,模型的大小仅为5.8 MB,平均精度(mAP@0.5)达到96.5%,检测速度由126.58 f/s提升至136.99 f/s。; 黄智渊方遒郭星浩; 关键词：交通标志检测轻量化

基于LiteTS-YOLO的交通标志检测: 2025年; 针对交通标志检测精度低、漏检误检率高及传统模型体积大的问题,提出LiteTS YOLO算法。通过构建C_(2)f_FA模块,结合FasterNet优化参数量与计算复杂度,并引入高效多尺度注意力(EMA)机制以保留小目标特征;重新设计特征提取与融合网络,优化检测层架构以减少参数量并增强信息整合能力;设计SAPD Head检测头,集成高级任务分解与动态对齐机制,有效降低误检与漏检率,同时进一步减少参数量。实验结果显示,LiteTS-YOLO在自制TTT100K数据集上的m AP@0.5提升7.9%,参数量减少66.4%,模型大小减小65%,在检测精度与轻量化方面均实现显著改进。; 李冰朱孝峰管嘉俊王艳芳; 关键词：交通标志检测

改进YOLOv7的交通标志检测算法: 2025年; 针对自动驾驶中小目标交通标志像素占比小导致的错检、漏检等问题,本文提出一种基于改进YOLOv7的交通标志检测算法。首先,引入小目标检测层,删除大目标检测层,以更好地适应小目标的检测需求;其次,在主干网络中引入EMA注意力机制,提高模型对多尺度目标的特征提取能力;再次,构建ELAN-RPC模块替换原ELAN,降低网络计算量,提高网络推理速度;最后,在特征融合层引入RFE模块,更好地利用浅层特征图的细节信息,提高后续自上而下的特征融合能力。实验结果表明,改进后的YOLOv7在TT100K数据集上mAP达到89.6%,比原始算法提升了5.7个百分点,同时参数量降低了37%,达到了参数量更少、精度更高的检测效果。; 赵印尹四清章永来; 关键词：交通标志检测

一种基于深度学习的实时交通标志检测方法: 本发明公开了一种基于深度学习的实时交通标志检测方法，该方法首先获取包含交通标志图像的交通标志数据集。其次基于YOLOv8s，构建交通标志特征提取网络，对交通标志图像进行特征提取，获取图像特征。最后构建轻量共享检测头LSD...; 贾刚勇林计坤陈圣饶欢乐踪家祥陈浩东

基于YOLOv5的交通标志检测方法、设备及介质: 本发明公开了基于YOLOv5的交通标志检测方法、设备及介质，属于交通标注检测技术领域，本发明要解决的技术问题为如何提高小目标检测精度，降低漏检率，进而提升交通标志的检测性能，采用的技术方案为：利用遗传算法和K‑means...; 王帅马小勇李占述

相关作者