深度神经网络在交通标志检测系统中的评估

交通标志检测系统是当前现实应用中的关键技术组成部分，广泛应用于自动驾驶、驾驶员安全与辅助等领域。本文系统分析了多种主流目标检测模型（Faster R-CNN、R-FCN、SSD 和 YOLO V2）与不同特征提取器（ResNet V1-50、ResNet V1-101、Inception V2、Inception-ResNet V2、MobileNet V1 以及 Darknet-19）相结合的最新技术进展，这些模型均由其原始作者开发并公开。本文旨在通过迁移学习方法，探究这些目标检测模型在交通标志检测这一特定问题域中经过优化与适配后的性能特性。具体而言，我们对多个在 Microsoft COCO 数据集上预训练的公开可用目标检测模型，在德国交通标志检测基准数据集（German Traffic Sign Detection Benchmark, GTSD）上进行了微调（fine-tuning）。模型的评估与对比涵盖了多项关键指标，包括平均精度均值（mean Average Precision, mAP）、内存占用、运行时间、浮点运算次数、模型参数量，以及交通标志图像尺寸对检测性能的影响。研究结果表明，Faster R-CNN 搭配 Inception-ResNet V2 的组合在 mAP 指标上表现最佳，具有最高的检测精度；而 R-FCN 搭配 ResNet-101 的模型在准确率与运行效率之间取得了最佳平衡，具有较高的实用性。YOLO V2 与 SSD 搭配 MobileNet 的模型尤为值得关注：前者在保持较高检测精度的同时，运行速度仅次于最快模型，位居第二；后者则在所有模型中具有最快的速度和最低的内存占用，是面向移动设备与嵌入式系统部署的理想选择。