计算机工程

作者：曾雷鸣, 侯进, 陈子锐, 周浩然

单位：1. 西南交通大学 计算机与人工智能学院, 成都 611756;2. 西南交通大学 信息科学与技术学院, 成都 611756;3. 西南交通大学 综合交通大数据应用技术国家工程实验室, 成都 611756

关键词：交通标志检测,YOLOv4网络,轻量化网络,弱语义分割,注意力机制

基金：四川省科技计划项目（2020SYSY0016）。

针对现有网络在检测高分辨率交通标志图片时速度过慢、精确度较低等问题，提出一种轻量化交通标志检测网络。在MobileNetv3-Large基础上对YOLOv4网络的骨干部分进行优化，针对数据集的特点舍弃部分耗时层，更改第8层和第14层的输出通道数，并改进基础模块中通道域注意力网络的注意力机制，使输出的权重数值能更准确地表征特征的重要程度。在检测头前加入基于弱语义分割的动态增强附件，利用其输出作为空间权重分布来矫正激活区域，以避免提取能力下降导致误检、漏检问题，最终构成YOLOv4-SLite网络。采用滑窗剪裁的方法对高分辨率图片进行训练和预测，从而减少训练时间及增加样本的多样性。在TT100K交通标志数据集上的实验结果表明，相较于YOLOv4基准网络，YOLOv4-SLite网络的mAP@0.5仅下降了0.2%，但模型大小减少了96.5%，响应速度提升了227%，精确度与速度的平衡效果达到了预期。

来源：2022年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第9期