Resumen

La detección de señales de tráfico basada en la visión desempeña un papel crucial en los sistemas de transporte inteligentes. Recientemente, se han propuesto muchos enfoques basados en el aprendizaje profundo para la detección de señales de tráfico y han mostrado un mejor rendimiento en comparación con los enfoques tradicionales. Sin embargo, debido a las difíciles condiciones del entorno de conducción y al tamaño de las señales de tráfico en las imágenes de la escena del tráfico, el rendimiento de los métodos basados en aprendizaje profundo en la detección de señales de tráfico pequeñas sigue siendo limitado. Además, la velocidad de inferencia de los enfoques actuales del estado de la técnica en la detección de señales de tráfico sigue siendo lenta. Este trabajo propone un enfoque basado en aprendizaje profundo para mejorar el rendimiento de la detección de señales de tráfico pequeñas en entornos de conducción. En primer lugar, se adopta una arquitectura ligera y eficiente como red base para abordar el problema de la velocidad de inferencia. Para mejorar el rendimiento en la detección de señales de tráfico pequeñas, se adopta un módulo de deconvolución para generar un mapa de características mejorado agregando un mapa de características de nivel inferior con un mapa de características de nivel superior. A continuación, se utilizan dos redes de propuestas regionales mejoradas para generar propuestas a partir del mapa de características de nivel superior y del mapa de características mejorado. La red de propuesta regional mejorada propuesta está diseñada para generar propuestas de forma rápida y precisa. En los experimentos, el conjunto de datos de referencia de detección de señales de tráfico alemanas se utiliza para evaluar la eficacia de cada módulo mejorado, y el conjunto de datos Tsinghua-Tencent 100K se utiliza para comparar la eficacia del enfoque propuesto con otros enfoques de vanguardia en la detección de señales de tráfico. Los resultados experimentales en el conjunto de datos Tsinghua-Tencent 100K muestran que el enfoque propuesto alcanza un rendimiento competitivo en comparación con los enfoques actuales del estado del arte en la detección de señales de tráfico, a la vez que es más rápido y sencillo.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:detección de señales de tráfico, detección de señales de tráfico pequeñas, mapa de características de nivel, enfoques artísticos, aprendizaje profundo, enfoque, rendimiento, estado actual, mapa de características, velocidad de inferencia
• Keywords:traffic sign detection, small traffic sign detection, level feature map, art approaches, deep learning, approach, performance, current state, feature map, inference speed