CCSPNet-Joint：極端な条件下における交通標識検出のための効率的なJoint学習手法

交通標識検出は自動運転分野における重要な研究課題である。しかし、従来の手法は霧、雨、ブレなど極端な環境条件下を無視しがちである。さらに、画像ノイズ除去モデルと物体検出モデルのエンドツーエンド学習戦略は、モデル間の相互情報の有効活用が不十分である。こうした課題に対処するため、本研究では、コンテキストトランスフォーマー（Contextual Transformer）とCNNを組み合わせた効率的な特徴抽出モジュールであるCCSPNetを提案する。本手法は、画像の静的および動的特徴を効果的に活用でき、推論速度の高速化と強力な特徴強化能力を実現する。さらに、物体検出と画像ノイズ除去の間の相関関係を明確にし、データ効率性および汎化性能の向上を目的として、CCSPNet-Jointという共同学習モデルを提案する。最後に、極端な状況下における交通標識検出の検証を目的として、CCTSDB-AUGデータセットを構築した。広範な実験結果から、CCSPNetは極端な条件下でも最先端の性能を達成することが確認された。エンドツーエンド手法と比較して、CCSPNet-Jointは精度（precision）で5.32%、[email protected]で18.09%の向上を実現した。