黄尚安

（江门职业技术学院，广东 江门529090）

当前智能交通正处于飞速发展的阶段，特别在无人驾驶、辅助驾驶领域中对于交通标志检测技术的要求越来越高，如何做到快速、准确的检测交通标志，平衡目标检测速度和精度之间的关系，一直是研究人员追求的目标。

Kun Ren 等人提出了一种基于深度可分DetNet 和Lite 融合特征金字塔网络(LFFPN)的实时交通标志检测系统。该模型采用深度可分的瓶颈块、Lite 融合模块和改进的SSD 检测前端，实现了速度和精度的折衷，在GTSDB 数据集上的mAP 为81.35%[1]；JA Khan 等人基于YOLO 模型建立了交通标志检测器，采用网格优化和锚箱优化的方法对小型交通标志的检测性能进行了优化，也取得了不错的成绩，但是模型计算量却有待进一步控制[2]；F Liu 等人提出了一种基于信道关注与特征融合网络(CAFFNet)的多目标交通标志检测方法。该方法通过轻量级信道注意网络有效地学习特征信道之间的相关性，在不降低维数的情况下实现局部交叉信道交互，提高了网络的表示能力，mAP达到了0.88 的好成绩[3]；J Zhang, 等人提出了一种级联的R-CNN 来获取金字塔中的多尺度特征，除第一层外，级联网络的每一层都融合前一层的输出边界框，以进行联合训练，且在此基础上，提出了一种基于点积和Softmax 的加权多尺度特征提取方法，并将其归结为细化特征，突出交通标志特征，提高交通标志检测的准确性，也取得了不错的成绩，但是模型参数量过大，有待优化[4]；PS Zaki 等人提出了一种利用快速递归卷积神经网络(F-RCNN)和单镜头多盒检测器(SSD)等多目标检测系统，结合MobileNet v1 和Inception v2 等多种特征提取器，解决交通标志检测问题，mAP 达到了0.86[5]。……