基于空间通道注意力机制与多尺度融合的交通标志识别研究

摘要：

通过YOLOV3深度神经网络算法可以实现道路交通标志的自动检测与识别,由于YOLOV3运算量较大,很难在小型嵌入式平台上使用,针对这一问题,文中提出了改进型的轻量化YOLOV3-3ctiny神经网络模型.为了融合浅层特征图的空间信息与深层特征图的语义信息,将第19层卷积层通过上采样后与第7层卷积层相连接,多尺度融合后输入YOLO层形成新的特征金字塔,以此提高小目标的识别率.同时,为使网络更加关注交通标志的细节信息,在特征金字塔网络中增添能够增强前景信息降低背景信息的空间通道注意力机制.使用Kmeans聚类算法对数据集作聚类处理,获得一组先验框.在长沙理工大学交通标志数据集上进行测试,实验结果表明,改进后算法的识别率达到91.8％,与YOLOV3-tiny算法相比提高了 24.9个百分点,而与YOLOV3算法相比,每张图片的检测时间降低至0.133 s,降低了 49.6％,该算法具有较强的实时性和准确性.

关键词：交通标志、轻量化网络、YOLOV3-3ctiny、多尺度融合、特征金字塔、空间通道注意力机制

所属期刊栏目：42

分类号：TP391.4;U463.6(计算技术、计算机技术)

资助基金：国家自然科学基金;重庆市研究生联合培养基地项目

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：93-102