基于改進(jìn)先驗(yàn)框和損失的交通標(biāo)志多尺度檢測

李絲絳，張榮芬，劉宇紅

（貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴陽 550025）

0 引言

隨著交通問題的日益嚴(yán)峻，智能化交通的發(fā)展是當(dāng)今社會(huì)發(fā)展的一大趨勢，交通標(biāo)志檢測與識(shí)別作為計(jì)算機(jī)視覺中一個(gè)重要的領(lǐng)域，是智能化交通發(fā)展中的重要一環(huán)。由于自然場景的復(fù)雜多變性及交通標(biāo)志本身在尺寸與距離上的特殊性，增加了目標(biāo)檢測和識(shí)別的難度。

深度學(xué)習(xí)的快速發(fā)展為交通標(biāo)志識(shí)別帶來了新的思路，相比于過去基于顏色或形狀的檢測方法［1］，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的檢測方法能夠?qū)煌?biāo)志進(jìn)行準(zhǔn)確的定位和分類。2012 年Alex等人提出了AlexNet 網(wǎng)絡(luò)［2］，在ImageNet 競賽中獲得冠軍。該網(wǎng)絡(luò)使用雙GPU 并行處理，并采用卷積加全連接的網(wǎng)絡(luò)結(jié)構(gòu)對目標(biāo)進(jìn)行檢測，在交通標(biāo)志類的大規(guī)模數(shù)據(jù)集的識(shí)別過程中，該網(wǎng)絡(luò)top－5 錯(cuò)誤率僅為15.3%；2015 年Redmon J［3］提出了用于目標(biāo)檢測的YOLOv3 網(wǎng)絡(luò)模型，其在交通標(biāo)志檢測與識(shí)別領(lǐng)域中有著很寬泛的應(yīng)用，通過多尺度單階段對交通標(biāo)志進(jìn)行檢測；Mingyu Gao［4］等人提出了基于高斯混合模型和類別聚焦損失的交通標(biāo)志目標(biāo)檢測網(wǎng)絡(luò)，并將類別比例因子納入網(wǎng)絡(luò)中，在提高識(shí)別精度的同時(shí)以解決數(shù)據(jù)集類別不平衡的問題；Chang Sun［5］等人采用單一對象檢測框架，并構(gòu)建稠密鏈接傳輸模塊對低像素交通標(biāo)志圖像進(jìn)行檢測并獲得上下文信息，從而進(jìn)行更為準(zhǔn)確的識(shí)別。目標(biāo)聯(lián)合交集（IoU）是目標(biāo)檢測中最為常用的評估指標(biāo)之一，Hamid Rezatofighi［6］等人提出了通用IoU，并將這一指標(biāo)以損失函數(shù)的改進(jìn)方式添加到經(jīng)典的目標(biāo)檢測算法（例如Fast R－CNN、Mask R－CNN）中，改進(jìn)后算法在檢測與識(shí)別精度上都獲得了顯著的提升；Khaled Bayoudn［7］等人提出了基于遷移學(xué)習(xí)的混合2D－3D 的CNN 模型，并通過上采樣和反卷積的操作組成空間語義檢測的架構(gòu)，從而提升交通標(biāo)志檢測及識(shí)別的精度。

本文以darknet－62為特征提取網(wǎng)絡(luò)，以基于FPN 的五尺度預(yù)測網(wǎng)絡(luò)、先驗(yàn)框中心定位、基于GIoU的損失函數(shù)為改進(jìn)點(diǎn)，用以提高在交通標(biāo)志檢測上的精確度。

1 模型分析

交通標(biāo)志檢測模型由特征提取網(wǎng)絡(luò)Darknet62和五尺度預(yù)測網(wǎng)絡(luò)組成，并在最淺輸出特征層添加先驗(yàn)框改進(jìn)設(shè)計(jì)方法，改進(jìn)后的模型結(jié)構(gòu)如圖1 所示?；贔PN 的五尺度預(yù)測網(wǎng)絡(luò)獲取豐富的上下文信息，以檢測尺寸較小的交通標(biāo)志；改進(jìn)的先驗(yàn)框設(shè)計(jì)從特征圖網(wǎng)格角度，解決與小目標(biāo)檢測有關(guān)的預(yù)測框定位問題；通過引入GIoU作為目標(biāo)定位損失函數(shù)，優(yōu)化常用的目標(biāo)定位損失與最大化目標(biāo)檢測評估指標(biāo)IoU值之間的偏差問題，進(jìn)一步提高網(wǎng)絡(luò)的整體識(shí)別精度。

圖1 交通標(biāo)志檢測網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Structure of traffic sign detection network model

Darknet62 中，在卷積層后添加批次歸一化（Batch Normalization）層［8］和Mish 激活函數(shù)，防止過度擬合并增加網(wǎng)絡(luò)的非線性表達(dá)能力，以CBM（卷積＋批次歸一化＋Mish 激活函數(shù)）卷積作為Darknet62的基本單位；為了增加特征提取網(wǎng)絡(luò)的深度，同時(shí)避免訓(xùn)練過程梯度爆炸和梯度消失問題，使用1×1 CBM卷積和3×3 CBM 卷積執(zhí)行殘差連接［9］，以形成res 殘差單元結(jié)構(gòu)，并將resN 殘差塊結(jié)構(gòu)設(shè)計(jì)為由3×3 CBM 卷積和N res 殘差單元串聯(lián)連接。Darknet62 首先將輸入圖像的大小調(diào)整為512×512×3，然后使用3×3 CBM 卷積來過濾輸入圖像，依次使用res1、res2、res8、res8、res4、res4 對特征圖進(jìn)行下采樣，獲得的128×128×64、64×64×128、32×32×256、16×16×512、8×8×1024 這5 個(gè)特征圖層將通過特征融合［10］，輸出5 個(gè)不同比例的特征圖，用于五尺度預(yù)測。

1.1 基于FPN 的五尺度預(yù)測網(wǎng)絡(luò)

淺層特征圖層的特征語義信息較少，不利于檢測目標(biāo)的分類，但像素豐富、分辨率高、目標(biāo)信息準(zhǔn)確；高深層特征圖層特征語義信息比較豐富，但像素較少、分辨率低、目標(biāo)位置不準(zhǔn)確。特征金字塔網(wǎng)絡(luò)（Feature Pyramid Networks，F(xiàn)PN）通過將低分辨率但強(qiáng)語義深層特征圖上采樣與高分辨率但弱語義淺層特征圖融合［11］，構(gòu)建在所有層次上共享豐富語義的特征金字塔，極大提高了具有高分辨率、用以檢測小目標(biāo)的淺層輸出特征圖的目標(biāo)檢測精度。

在五尺度預(yù)測網(wǎng)絡(luò)中，由卷積層、批次歸一化和線性整流ReLU 激活函數(shù)組成CBL（卷積＋批次歸一化＋ReLU 激活函數(shù)）卷積，作為五尺度預(yù)測網(wǎng)絡(luò)的基本單元。同時(shí)，使用CBL 卷積形成res 殘差單元和resN 殘差塊結(jié)構(gòu)。其次，為了增加預(yù)測網(wǎng)絡(luò)中的感受野，在Darknet62 之后添加了SPP 塊（由4 個(gè)具有不同比例（1、5、9、13）的maxpool 并行構(gòu)成并將輸出串聯(lián)在一起），SPP 塊在不影響網(wǎng)絡(luò)識(shí)別速度的同時(shí)，可以顯著分離出最重要的上下文特征，并提高網(wǎng)絡(luò)識(shí)別精度。在SPP 塊前后添加3 個(gè)CBL 卷積（V3：CBL×3 Kernel：1，3，1）用以更好地匹配要素圖的大小和通道數(shù)，并替換了基礎(chǔ)網(wǎng)絡(luò)的5 個(gè)CBL 卷積。

為了充分利用網(wǎng)絡(luò)中淺層特征所包含的小目標(biāo)像素信息，更好檢測圖像中像素較小的交通標(biāo)志。如圖1 所示，本文基于FPN 思想，將Darknet62 的8×8×1024 特征圖經(jīng)過V1（CBL×3＋maxpool×4＋CBL×3）和V2（CBL×2）操作，獲得8×8×105 的輸出特征圖層；另將8×8×1024 特征圖，通過V1、1×1 CBL 卷積和上采樣（Up Sample）操作獲得新的特征圖，并與16×16×512 特征圖進(jìn)行特征融合。融合后的新圖層可以通過V5（CBL×7）操作獲得16×16×105 的輸出特征圖，通過V4（CBL×6）和上采樣（Up Sample）操作進(jìn)一步與更淺層特征圖32×32×256 特征融合。以此類推，分別在Darknet62 的其余64×64×128、128×128×64 特征圖上執(zhí)行類似操作。最終，預(yù)測網(wǎng)絡(luò)可以獲得五尺度預(yù)測結(jié)果，分別為128×128×280、64×64×2 105、32×32×105、16×16×105 和8×8×105。本次改進(jìn)將結(jié)合豐富語義信息的輸出圖層，分辨率提高到了128×128，因此預(yù)測網(wǎng)絡(luò)對于圖像中的較小較遠(yuǎn)的交通標(biāo)志將具有更好的性能。

在前向過程中，預(yù)測網(wǎng)絡(luò)執(zhí)行邊界框回歸過程，將先驗(yàn)框（anchors）轉(zhuǎn)換為相應(yīng)的預(yù)測邊界框（predicted bounding box），依次通過設(shè)定的閾值和非極大值抑制（NMS）算法刪除不符合的預(yù)測邊界框［12］。最后，在圖像或視頻的相應(yīng)位置標(biāo)記，并輸出預(yù)測框和交通標(biāo)志的檢測類別。

1.2 先驗(yàn)框改進(jìn)設(shè)計(jì)方法

先驗(yàn)框是一組預(yù)設(shè)的邊框，用于定位輸入圖像中的目標(biāo)對象，一個(gè)先驗(yàn)框可以由邊框的縱橫比和邊框的面積（尺度）來定義，相當(dāng)于一系列預(yù)設(shè)邊框的生成規(guī)則。在圖像劃分的每一個(gè)網(wǎng)格（grid cell），生成一系列的邊框，需要在訓(xùn)練過程之前進(jìn)行設(shè)計(jì)，通常使用K 均值（K－means）聚類得到先驗(yàn)框形狀和尺寸。對于每個(gè)真實(shí)標(biāo)注框（GTB），將選擇具有最大交并比（IoU）值，且IoU值高于閾值（通常為0.5）的先驗(yàn)框作為匹配項(xiàng)。

通過研究發(fā)現(xiàn)，為了更好適用于小目標(biāo)檢測，原始的先驗(yàn)框設(shè)計(jì)方法并不是最佳的。因?yàn)樗邢闰?yàn)框的中心通常固定于每個(gè)網(wǎng)格的中心，即相對坐標(biāo)（0.5，0.5）。對于具有較小尺寸并且位于彼此相鄰的兩個(gè)網(wǎng)格或小型對象交界處的交通標(biāo)志，可能導(dǎo)致小目標(biāo)對象與GTB 丟失匹配，難以檢測精準(zhǔn)［13］。

圖2（a）、（b）中的實(shí)線框feature map cell為最淺輸出特征圖（128×128）中的一個(gè)網(wǎng)格，居中虛線框代表未改進(jìn)的先驗(yàn)框，其中心與網(wǎng)格中心重合（0.5，0.5），角落虛線框代表改進(jìn)后的先驗(yàn)框。在圖2（a）中檢測目標(biāo)位于網(wǎng)格的角落，改進(jìn)框的中心坐標(biāo)為（0.25，0.75），明顯可以看出位于網(wǎng)格角落的小交通標(biāo)志（GTB）和改進(jìn)框之間的IoU要高于同一GTB 和未改進(jìn)框之間的IoU，因此改進(jìn)先驗(yàn)框更為適合；在圖2（b）中檢測目標(biāo)彼此相鄰，改進(jìn)框的中心坐標(biāo)分為（0.25，0.75）和（0.75，0.75），這類情況下，改進(jìn)框可以同時(shí)匹配兩個(gè)彼此相鄰的小型交通標(biāo)志（GTB1 和GTB2），而未改進(jìn)框只能匹配其中一個(gè)，且匹配度不高。

圖2 原始先驗(yàn)框設(shè)計(jì)的局限性Fig.2 The limitation of original prior bounding box design

基于上述研究，本文對先驗(yàn)框的設(shè)計(jì)方法做出以下改進(jìn)：

（1）應(yīng)用k 均值聚類獲得先驗(yàn)框形狀

原始網(wǎng)絡(luò)配置中，聚類獲得的先驗(yàn)框形狀適合于具有不同縱橫比的GTB（針對VOC 和COCO 數(shù)據(jù)集進(jìn)行聚類），但現(xiàn)實(shí)世界中的交通標(biāo)志通常具有相似的縱橫比。為了更適用于本文交通標(biāo)志檢測，提高目標(biāo)檢測精度，通過對訓(xùn)練集的真實(shí)標(biāo)注框進(jìn)行K 均值聚類，獲得新的先驗(yàn)框形狀。其中，k設(shè)置為14（2 組尺度分配給最淺輸出特征圖，其余4 層輸出特征圖每層分配3 組尺度）。

（2）確定先驗(yàn)框中心坐標(biāo)

改進(jìn)模型將輸出5 個(gè)不同尺度的特征圖作為預(yù)測（五尺度預(yù)測網(wǎng)絡(luò)）。在步驟1 中獲得的先驗(yàn)框形狀對應(yīng)于目標(biāo)對象的不同比例。其中最淺輸出特征圖（128×128）使用小型先驗(yàn)框，其具有小的感受野，針對小目標(biāo)具有更好的檢測效果。將兩組先驗(yàn)框尺度應(yīng)用于該特征圖上，并將先驗(yàn)框的中心坐標(biāo)分別設(shè)置為每個(gè)網(wǎng)格相對位置（0.25，0.25）、（0.25，0.75）、（0.75，0.25）和（0.75，0.75），使最淺的特征圖網(wǎng)格的先驗(yàn)框總數(shù)為2×4＝8，其余4 層輸出特征圖先驗(yàn)框中心位置保持（0.5，0.5）不變，每個(gè)網(wǎng)格分配3 個(gè)尺度的先驗(yàn)框。

1.3 改進(jìn)目標(biāo)定位損失函數(shù)

IoU（交并比，Intersection over Union），是比較2 個(gè)任意形狀之間相似度的最常用指標(biāo)［13－14］。通過對目標(biāo)的形狀屬性進(jìn)行編碼（例如，將2 個(gè)比較的邊界框?qū)挾?、高度、位置放到region 屬性中。），然后計(jì)算歸一化度量。在目標(biāo)檢測中，通常使用預(yù)測框與真實(shí)標(biāo)注框IoU評價(jià)模型檢測性能。而目前常用的目標(biāo)定位損失函數(shù)則是預(yù)測框與真實(shí)標(biāo)注框角點(diǎn)坐標(biāo)距離的1－范數(shù)Loss 或者2－范數(shù)Loss。

通常在優(yōu)化常用的目標(biāo)定位損失與最大化IoU值之間是存在差距的。如圖3（a），深色框代表預(yù)測框，淺色框代表真實(shí)標(biāo)注框。由于這3 個(gè)預(yù)測框的第二角都位于以真實(shí)標(biāo)注框的第二角為中心的固定半徑圓上，因此具有相同的2－范數(shù)Loss，但是其IoU值卻各不相同，顯而易見IoU值最高的第3 個(gè)檢測結(jié)果精確度更好；同理，如圖3（b），當(dāng)1－范數(shù)Loss相同時(shí)，IoU值和檢測效果也各不相同。直觀的是，針對1－范數(shù)Loss 和2－范數(shù)Loss 的良好局部最優(yōu)不一定是評價(jià)指標(biāo)IoU的局部最優(yōu)，而要使檢測性能最優(yōu)選擇就是指標(biāo)本身［15］。

圖3 相同范數(shù)Loss 的不同IoU 和GIoUFig.3 Different IoU and GIoU with the same norm loss

但是IoU作為損失函數(shù)仍然存在2 個(gè)問題：

（1）如果真實(shí)標(biāo)注框與預(yù)測框不重疊，則IoU值將為0，并且反映兩個(gè)框之間的距離。如果將IoU用作Loss，則其梯度將為零且無法優(yōu)化。

（2）IoU對于預(yù)測框與真實(shí)標(biāo)注框之間不同的對齊方式，是無法進(jìn)行辨認(rèn)的。

基于以上問題，本文通過引入GIoU［16］（Generalized Intersection over Union，通用IoU）作為損失函數(shù)，以解決IoU存在的非重疊問題。GIoU的計(jì)算過程如下：

（1）對于預(yù)測框A和真實(shí)標(biāo)注框B，找到最小的包圍凸對象C，并將A和B都包圍起來。

（2）計(jì)算IoU：

（3）以C 占用的面積（不包括A 和B）的部分為分子，以C 占用的總面積為分母，代表著重于A 和B 之間的空白部分的標(biāo)準(zhǔn)化度量。最后，通過從IoU值中減去此比率來獲得GIoU：

（4）與IoU類似，GIoU作為距離度量［17］，loss 計(jì)算公式如下：

GIoU具有以下屬性：

（1）具有與IoU相同的定義，即將比較對象的形狀屬性編碼為region 屬性。

（2）保持了IoU的尺度不變性，以及對目標(biāo)大小的不敏感性。

（3）GIoU始終作為IoU的下界，即?A，B GIoU（A，B）≤IoU（A，B）。同時(shí)在預(yù)測框與真實(shí)標(biāo)注框重疊度增加的情況下，確保了與IoU的強(qiáng)相關(guān)性。即，在A和B形狀完全重合時(shí)，則有GIoU＝IoU＝1。

（4）由于 引入了最小包圍凸對象C，即使A、B不重合時(shí)，LGIoU依然可以進(jìn)行優(yōu)化。當(dāng)A和B不重合度越高，GIoU越趨近于－1。

總之，GIoU既保留了IoU的主要特性，同時(shí)解決了IoU存在的問題。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 交通標(biāo)志數(shù)據(jù)集

本文采用的數(shù)據(jù)集為中國交通標(biāo)志違規(guī)概率top30 數(shù)據(jù)集，由Gao［4］等人整理貢獻(xiàn)。該數(shù)據(jù)集包含Go Straight Slot、No Entry、Bus－only Lane、Speed Limit 120、Left Turn Slot、No Trucks、One－way Road等30 類交通標(biāo)志，共10 000張圖片，其中每張包含1～6 個(gè)交通標(biāo)志。在數(shù)據(jù)集中，將劃分7 000個(gè)樣本作為訓(xùn)練集，3 000 個(gè)樣本作為測試集。

2.2 實(shí)驗(yàn)環(huán)境和參數(shù)設(shè)置

硬件環(huán)境：CPU為Intel ? CoreTMi7－7800X 6核，GPU為GTX1080Ti，顯存大小11 GB，運(yùn)行內(nèi)存64 GB。

軟件環(huán)境：操作系統(tǒng)Ubuntu16.04、OpenCV3.4.1、Tensorflow1.6.0、Python 3.6、Keras 2.1.5。

使用k－means＋＋聚類算法對交通標(biāo)志數(shù)據(jù)集的真實(shí)標(biāo)注標(biāo)注框進(jìn)行聚類操作，得到對應(yīng)5 個(gè)輸出特征圖的14 組anchor，尺寸分別為：

此外，訓(xùn)練階段通過更改網(wǎng)絡(luò)配置文件參數(shù)，對訓(xùn)練集進(jìn)行旋轉(zhuǎn)、飽和度調(diào)整、曝光度調(diào)整、色調(diào)調(diào)整、噪聲調(diào)整等數(shù)據(jù)增強(qiáng)預(yù)處理，在原有數(shù)據(jù)集基礎(chǔ)上生成更多訓(xùn)練樣本，提高模型泛化能力。

基于遷移學(xué)習(xí)的方法，使用在coco 數(shù)據(jù)集上的darknet－62 預(yù)訓(xùn)練模型作為基礎(chǔ)特征提取網(wǎng)絡(luò)。

輸入圖像大小調(diào)整為512×512，圖像通道數(shù)為3。在迭代過程中，batchsize 設(shè)置為16，優(yōu)化器選擇SGD 算法［18］，初始學(xué)習(xí)率設(shè)置為0.001，動(dòng)量和權(quán)重衰減分別配置為0.9 和0.000 5，最大迭代次數(shù)設(shè)置為50 200，并在迭代次數(shù)達(dá)到40 000和45 000時(shí)，學(xué)習(xí)率分別更改為0.000 1 和0.000 01。在訓(xùn)練階段，網(wǎng)絡(luò)參數(shù)會(huì)迭代更新，直到迭代次數(shù)達(dá)到預(yù)設(shè)值，或者損失函數(shù)的變化小于閾值，獲得最終訓(xùn)練模型。

2.3 實(shí)驗(yàn)結(jié)果分析

為了有效說明算法對交通標(biāo)志檢測的性能優(yōu)勢，將本文算法與幾種最新交通標(biāo)志識(shí)別算法在相同條件下進(jìn)行了性能比較實(shí)驗(yàn)。評價(jià)指標(biāo)使用模型大?。⊿ize），每秒幀數(shù)（FPS）：判斷網(wǎng)絡(luò)識(shí)別速度的指標(biāo)，其值越大，網(wǎng)絡(luò)的識(shí)別速度越快；平均精度均值（mAP，mean average precision）：30 類交通標(biāo)志平均精度（AP）的平均值；平均精確率（AP，average precision）：每一類別被正確檢測出來的交通標(biāo)志占全部檢出區(qū)域的百分比，APS、APM、APL分別代表小型交通標(biāo)志、中型交通標(biāo)志、大型交通標(biāo)志的平均精確率。實(shí)驗(yàn)結(jié)果見表1。其中，方法A－F分別代表基于改良的FasterR－CNN［19］、SSD［20］、RefineDet［21］、RetinaNet50［22］，基于GMM 和類別質(zhì)量焦點(diǎn)損失優(yōu)化算法［4］及基于YOLOv3 交通標(biāo)志識(shí)別算法［23］。以加粗字體代表最佳結(jié)果。

表1 不同交通標(biāo)志檢測算法的性能對比Tab.1 Objective evaluation of the performance of different traffic sign recognition algorithms

從表1 中可以看出，與兩階段算法改進(jìn)的Faster R－CNN（A）相比，本文算法的檢測速率高于其3 倍多，同時(shí)在mAP、APS、APM、APL均取得更好的檢測效果。與一階段算法中表現(xiàn)較優(yōu)的YOLOv3（F）和基于GMM 和類別質(zhì)量焦點(diǎn)損失優(yōu)化算法（E）相比，本文算法在模型尺寸和檢測速率上略占劣勢。但本文算法通過選用相較于YOLOv3 的特征提取網(wǎng)絡(luò)層數(shù)更深的darknet－62 網(wǎng)絡(luò)、結(jié)合損失函數(shù)改進(jìn)提升了模型的整體檢測精度，同時(shí)融合基于FPN 的五尺度預(yù)測網(wǎng)絡(luò)、改進(jìn)先驗(yàn)框設(shè)計(jì)，顯著優(yōu)化了小型交通標(biāo)志的檢測性能，在mAP、APS、APM、APL相較于檢測精度第二的結(jié)果分別提高了3.5%、5.2%、2.2%、1.1%，其中小型交通標(biāo)志檢測性能提升顯著。

本文算法與改良的FasterR－CNN 算法（A）、基于GMM 和類別質(zhì)量焦點(diǎn)損失優(yōu)化算法（E）的檢測效果對比如圖4 所示。在背光環(huán)境下的圖4（a）～（c）中，本文算法能夠較為精準(zhǔn)的檢測出不同遠(yuǎn)近的交通標(biāo)志，而A 算法漏檢了遠(yuǎn)處較暗的Strictly No Parking 交通標(biāo)志，E 算法檢測精度較低，對于較遠(yuǎn)且相鄰的小交通標(biāo)志的定位也不夠精準(zhǔn)；在遮擋環(huán)境下圖4（d）～（f）中，本文算法對部分遮擋的交通標(biāo)志識(shí)別置信度達(dá)0.86，而A 算法和E 算法僅有0.62 和0.74；在多目標(biāo)復(fù)雜環(huán)境下圖4（g）～（i）中，本文算法能將圖中多達(dá)6 個(gè)不同尺寸和角度交通標(biāo)志無遺漏檢測，而A 算法和E 算法均存在不同程度的漏檢和置信度降低。

圖4 各算法檢測效果對比Fig.4 Comparison of detection effect of each algorithm

3 結(jié)束語

本文融合基于FPN 的五尺度預(yù)測網(wǎng)絡(luò)，將輸出特征層的分辨率提高到128×128，為小型交通標(biāo)志生成豐富的上下文信息，改進(jìn)了先驗(yàn)框設(shè)計(jì)方法，更精準(zhǔn)的檢測位于特征圖單元拐角處的小型交通標(biāo)志或相鄰的小型交通標(biāo)志。由于度量的最佳損失是度量本身，通過引入GIoU－Loss 用作損失函數(shù)，提升模型整體檢測精度。結(jié)合上述改進(jìn)，本文相比較最新算法，在檢測小型交通標(biāo)志（＜322 像素）方面具有顯著提升效果，并且在平均檢測精度、中型（322 像素＜中＜962 像素）和大型交通標(biāo)志（962 像素＜大＜4 002像素）方面也獲得了更好的性能。但是由于模型參數(shù)較多，仍然占用過多空間，同時(shí)圖像檢測時(shí)間仍有待提高，如何在保持甚至進(jìn)一步優(yōu)化檢測精度的基礎(chǔ)上，簡化網(wǎng)絡(luò)結(jié)構(gòu)、降低計(jì)算量將是未來的主要研究方向。