Ein Echtzeit- und hochpräzises Verfahren zur Erkennung kleiner Verkehrszeichen

Als grundlegendes Element des Verkehrssystems verringern Verkehrszeichen das Unfallrisiko, indem sie Fahrzeugführern, Fußgängern und anderen Verkehrsteilnehmern essenzielle Informationen über die Straßenverhältnisse bereitstellen. Mit dem rasanten Fortschritt in den Bereichen Computer Vision und künstliche Intelligenz werden Verkehrszeichen-Erkennungssysteme zunehmend in hochentwickelten Fahrerassistenzsystemen (ADAS) und autonomen Fahrsystemen eingesetzt, um Fahrern und selbstfahrenden Fahrzeugen die präzise Erfassung wichtiger Verkehrsinformationen zu ermöglichen. Dennoch bleibt die Erkennung kleiner Verkehrszeichen in der praktischen Anwendung weiterhin eine Herausforderung. In diesem Artikel stellen wir eine effiziente Methode zur Erkennung kleiner Verkehrszeichen vor, die wir „Traffic-Signs Recognition Small-Aware“ nennen, wobei wir uns bei der Entwicklung an den modernsten Objekterkennungsarchitekturen YOLOv4 und YOLOv5 orientieren. Unser Beitrag gliedert sich in vier zentrale Aspekte: (1) Für den Backbone des Modells integrieren wir hochwertige Merkmale, um einen verbesserten Detektor-Kopf zu konstruieren; (2) Für den Neck des Modells setzen wir einen Rezeptivfeld-Blockcross ein, um kontextuelle Informationen der Merkmalskarten effektiv zu erfassen; (3) Für den Kopf des Modells verfeinern wir das Detektor-Kopf-Gitter, um eine präzisere Erkennung kleiner Verkehrszeichen zu erreichen; (4) Für die Eingabedaten schlagen wir eine neue Daten-Augmentierungsmethode namens „Random Erasing-Attention“ vor, die schwierige Trainingsbeispiele erhöht und die Robustheit des Modells verbessert. Reale Experimente auf dem anspruchsvollen Datensatz TT100K zeigen, dass unsere Methode im Vergleich zu aktuellen State-of-the-Art-Verfahren eine signifikante Leistungssteigerung erzielt. Zudem handelt es sich um eine Echtzeit-Methode, die großes Anwendungspotenzial in Fahrerassistenzsystemen und autonomen Fahrsystemen besitzt.