CCSPNet-Joint: طريقة تدريب مشترك فعّالة لكشف لوحات الإشارة المرورية في الظروف القصوى

كشف الإشارات المرورية يُعد اتجاهًا بحثيًا مهمًا في مجال القيادة الذكية. ومع ذلك، فإن الطرق الحالية غالبًا ما تتجاهل الظروف القصوى مثل الضباب والمطر والضباب الحركي. علاوةً على ذلك، تفشل استراتيجية التدريب النهائية (end-to-end) بين نماذج إزالة الضوضاء من الصور ونماذج كشف الكائنات في استغلال المعلومات بين النماذج بشكل فعّال. لمعالجة هذه المشكلات، نقترح CCSPNet، وحدة استخراج ميزات فعّالة تعتمد على التحويل السياقي (Contextual Transformer) والشبكات العصبية التلافيفية (CNN)، والتي تتمكن من استغلال الميزات الثابتة والديناميكية للصور بشكل فعّال، مما يؤدي إلى تسريع عملية الاستنتاج وتقديم قدرات تحسين ميزات أقوى. بالإضافة إلى ذلك، نُنشئ ارتباطًا بين مهام كشف الكائنات وإزالة الضوضاء من الصور، ونُقترح نموذج التدريب المشترك CCSPNet-Joint لتحسين كفاءة البيانات والتعميم. وأخيرًا، لاختبار منهجيتنا، نُنشئ مجموعة بيانات CCTSDB-AUG لكشف الإشارات المرورية في السيناريوهات القصوى. أظهرت التجارب الواسعة أن CCSPNet تحقق أداءً متقدمًا على مستوى الحد الأقصى في كشف الإشارات المرورية تحت الظروف القصوى. مقارنةً بالطرق النهائية، حقق CCSPNet-Joint تحسينًا بنسبة 5.32% في الدقة وبنسبة 18.09% في [email protected].