基于多尺度特征的轻量级交通标志检测模型

摘要

为了解决现有交通标志检测方法在精度与速度间难以平衡、小目标漏检率高等问题，提出一种轻量级实时交通标志检测模型(lightweight real-time traffic sign detection model, LRTD)。该模型以YOLO11n模型为基础，在主干网络中引入特征增强模块(feature enhancement block, FEB)和全局-局部协同注意力模块(global-local collaborative attention module, GLCAM);在颈部网络中设计多尺度感受野协同模块(multi-scale receptive field collaborative module, MSRFC),并优化特征融合策略构建高分辨率检测头。在CCTSDB数据集和GTSDB数据集上，将LRTD与当前先进的检测模型进行性能对比，并进行消融实验验证LRTD各模块的功能。结果表明：在CCTSDB和GTSDB数据集上，LRTD的mAP@50分别为83.1%、95.6%,mAP@50-95分别为55.6%、81.5%,较YOLO11n模型的mAP@50分别提升6.7个百分点、2.1个百分点，mAP@50-95分别提升6.0个百分点、4.5个百分点；该模型在CCTSDB数据集上保持155.0 fps的实时推理速度，参数量与计算量分别降低1.9个百分点、1.6个百分点。所提模型可有效提升复杂场景下交通标志的识别性能，并为智能交通系统中的实时目标检测任务提供可行的技术方案。

关键词

计算机图像处理 / 交通标志检测 / 特征增强 / 注意力机制 / 多尺度特征融合