面向交通标志检测的空间信息聚合网络

摘要

[目的]针对日常交通驾驶过程中交通标志检测的漏检、误检以及模型体积较大等问题，提出一种空间信息聚合网络EDR-YOLOv8算法.[方法]通过增强边缘信息、多尺度上下文语义信息的捕获以及浅层与深层特征的再融合，完成空间信息的聚合.为保留较多的交通标志边缘特征，提出结合Sobel算子的边缘检测模块；为捕捉更多的多尺度上下文语义信息，设计膨胀残差修复块，并将其集成到C2f(faster implementation of CSP bottleneck with 2 convolutions)中得到多尺度感知模块DRRC;为加强高、低层信息交互并重新校准目标位置，推出重校准内容引导金字塔网络.通过对锚框与真实框不匹配方向的考虑和更关注普通质量的锚框，设计Wise-SIoU.[结果]在TT100K数据集上，P、交并比阈值0.50的平均精度均值、交并比阈值在[0.50,0.95]区间的平均精度均值分别提升12.5%、8.9%、10.3%,且参数量下降了23%.[结论]本文方法相较原模型及其他算法，表现出了精度较高和参数量较少的优点，改善了漏检和误检问题，并有利于边缘设备的部署.

关键词

目标检测 / 交通标志 / YOLOv8 / 深度学习 / Wise-SIoU