胡昭华，王 莹

1.南京信息工程大学 电子与信息工程学院，南京 210044

2.南京信息工程大学 江苏省大气环境与装备技术协同创新中心，南京 210044

交通标志检测的任务是在图像或视频中显示出交通标志的类别及位置。交通标志检测是智能交通系统中重要组成部分，在无人驾驶、自动驾驶等很多领域均被广泛应用。因此，交通标志检测研究有很高的研究意义和应用价值。

交通标志检测研究可划分为传统方法和基于深度学习的方法。其中，传统的方法利用外观、颜色特征进行检测交通标志[1-2]，但是特征提取依赖手工，存在很多局限，不满足交通标志检测实时性、精确性的要求。2014年，R-CNN首次将卷积网络用于目标检测[3]，自此以后，基于深度学习方法开始广泛应用于交通标志检测。基于深度学习的目标检测算法主要分为两个方向：基于一阶段检测与双阶段检测算法。一阶段检测算法主要有：YOLOv2[4]、YOLOv3[5]、EfficientDet[6]以及SSD[7]等。双阶段检测算法主要有Fast R-CNN[8]、Faster R-CNN[9]、SPP-Net[10]以及HyperNet[11]网络等。

Zhu等人[12]创建了新的交通标志检测基准（Tsinghua-Tencent100K，TT100K）与广泛使用的检测基准（german traffic sign detection benchmark，GTSDB）[13]相比，图像数量更多、分辨率更高、背景更加复杂，很多研究在此基准上进行。由于交通标志目标较小、分辨率低，Li等人[14]介绍了新的感知对抗网络，利用重复更新的生成器网络和鉴别器网络为小对象生成超分辨率表示，将小的交通标志分辨率增加，以提高检测性能。Liu等人[15]提出对深层特征进行反卷积，并将其与浅层特征连接起来，利用浅层特征解决由于交通标志尺寸小带来的检测困难问题。……