摘要
在现实场景中，机动车辆往往具有较高的行驶速度。为了准确及时地检测出交通标志，车辆在距离交通标志较远时，车载摄像机就要对路面的交通标志进行图像采集，这样交通标志检测系统才有时间对路面上的交通标志进行分析和处理，并及时地反馈给驾驶人员。远距离的图像采集会减小交通标志在检测图像中所占有的比例，进而导致检测图像中包含较少与交通标志相关的特征，最终导致交通标志检测系统性能的下降。为了解决以上问题，本文以擅长小目标检测且实时性较好的YOLOv3网络为基础进行改进，以进一步提高网络对交通标志的检测性能。 首先，为了解决交通标志在检测图像中所占比例较小，不易检测的问题，本文提出了空间金字塔池化YOLOv3(Spatial Pyramid Pooling YOLOv3，SPP-YOLOv3)交通标志检测网络。该网络通过在主干网络的第三个残差块、第四个残差块以及第五个残差块后面分别引入空间金字塔池化(Spatial Pyramid Pooling，SPP)模块，把局部特征和全局特征进行融合，增强了特征的表达能力，进而提高了网络对交通标志检测的准确性。 其次，SPP-YOLOv3交通标志检测网络所具有的特征金字塔网络(Feature Pyramid Network，FPN)结构在不同尺度之间具有不一致性，即在反向传播的过程中，梯度计算既包含有正样本又包含有负样本。这种不一致性会对梯度计算造成一定的干扰，降低特征金字塔网络结构的有效性，进而影响网络对交通标志检测的准确性。为解决这一问题，本文提出了自适应空间特征融合(Adaptively Spatial Feature Fusion，ASFF)和空间金字塔池化YOLOv3(Adaptively Spatial Feature Fusion & Spatial Pyramid Pooling YOLOv3,ASFF&SPP-YOLOv3)交通标志检测算法。该算法通过学习如何在空间上过滤冲突信息来抑制不同特征尺度之间的不一致性，提高特征的尺度不变性，进而提高了网络对交通标志的检测性能。
NETL