面向小目标交通标志的检测方法

彭杰; 于惠钧

doi:10.12404/j.issn.1671-1815.2501231

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1595-1606 DOI: 10.12404/j.issn.1671-1815.2501231

自动化技术、计算机技术

面向小目标交通标志的检测方法

彭杰 ,
于惠钧 ^*

作者信息 +

Detection Method for Small Target Oriented Traffic Signs

PENG Jie ,
YU Hui-jun ^*

Author information +

文章历史 +

摘要

针对现有目标检测算法存在对交通标志中的小目标识别准确率低、检测不完全等问题，本文提出一种基于改进YOLO11n的交通标志检测算法。首先，将卷积和注意力融合模块（convolution and attention fusion module，CAFM）与YOLO11n主干部分结合，通过融合卷积操作和注意力机制，对图像的全局和局部特征进行有效建模，使小目标的特征表达更为充分；其次，引入轻量动态上采样算法DySample，使采样点集中于目标区域，减少特征信息的丢失，进而增强对小目标的感知能力；然后，使用选择性卷积（selective convolution，SCConv）与C3k2相结合，设计全新的C3k2_SC模块，提高检测精度，减少模型参数量；最后，添加一个小目标检测层，保留更多浅层细节信息，以增强深层和浅层语义信息的融合，从而改善了对小目标检测不完全的问题。实验结果证明，改进后的算法在TT100K数据集中，精确率、召回率、平均精度分别达到82.0%、77.5%、84.6%，与原模型YOLO11n相比较，提高了3.8、9.5、8.5个百分点，证明了改进的有效性。

Abstract

Aiming at the existing target detection algorithms，which suffer from problems such as low accuracy and incomplete detection of small targets in traffic signs，a traffic sign detection algorithm based on an improved YOLO11n was proposed. Initially，a convolution and attention fusion module （CAFM） was integrated into the backbone network of YOLO11n to comprehensively model global and local image features through the combined operation of convolutional layers and attention mechanisms，thereby improving small target feature representation. Subsequently，the lightweight dynamic up-sampling algorithm DySample was introduced to optimize feature sampling by concentrating sampling points on target regions，effectively mitigating feature information loss and enhancing small target perception. Then，a novel C3k2_SC module was designed by incorporating selective convolution （SCConv） into the C3k2 structure，which improved detection accuracy while reducing model parameter complexity. Finally，an additional small target detection layer was added to preserve shallow-level detailed information and strengthen the fusion of deep and shallow semantic features，thereby resolving incomplete detection of small targets. The experimental results demonstrate that precision，recall，and mean average precision rates of 82.0%，77.5%，and 84.6% are achieved by the improved algorithm on the TT100K dataset，representing improvements of 3.8，9.5，and 8.5 percentage points compared to the original YOLO11n model，proving the effectiveness of the improvement.

Graphical abstract

关键词

深度学习 / YOLO11n / 交通标志 / 小目标检测

Key words

deep learning / YOLO11n / traffic sign / small target detection

引用本文

引用格式 ▾

彭杰, 于惠钧. 面向小目标交通标志的检测方法[J]. 科学技术与工程, 2026, 26(4): 1595-1606 DOI:10.12404/j.issn.1671-1815.2501231

PENG Jie, YU Hui-jun. Detection Method for Small Target Oriented Traffic Signs[J]. Science Technology and Engineering, 2026, 26(4): 1595-1606 DOI:10.12404/j.issn.1671-1815.2501231

登录浏览全文

4963

注册一个新账户忘记密码

交通标志是为保证交通秩序和交通安全而设置的重要标志，其主要作用是为道路上的行人和驾驶员提供道路状况信息和辅助引导。通过识别道路上的交通标志，可以为驾驶员提供必要的交通信息，如限速、禁止、警告等，提醒驾驶员遵守交规，有利于减少交通违法和事故的发生。交通标志检测能够提高道路通行效率，并有效缓解十字路口堵塞问题，这对于行人和驾驶员的安全具有一定意义^[1-2]。

目前，交通标志检测主要分为两阶段检测算法和单阶段检测算法^[3]。两阶段算法主要包括R-CNN（region with convolutional neural networks feature）^[4]、Faster R-CNN^[5]等。Liang等^[6]使用了一种水平连接的深度特征金字塔网络来获取交通标志的语义特征，但特征信息提取不充分，且检测准确率较低。Zhu等^[7]在预选的区域使用相应网络来检测交通标志，但该方法无法获得更深层语义的信息。单阶段算法主要包括YOLO（you only look once）^[8]系列、SSD（single shot multi-box detector）^[9]。Rajendran等^[10]以YOLOv3作为基础模型并配备卷积神经网络分类器，该模型在检测精度上有明显的提高，但抗干扰能力低。郭华玲等^[11]提出一种融合RepVGG（rethinking parameterization for vgg-style convnets）的YOLOv5交通标志识别算法，有效地提高了算法的检测精度和速度，但所用CCTSDB数据集包含的交通标志类别较少，在类别较多的数据集中表现不太理想。郑岚月等^[12]提出了一种改进的YOLOv7算法，增加了160×160的检测头，并去除了20×20的检测头，旨在使模型参数量不增加的提前下，获得更多的浅层特征，但会对较大目标的检测精度有所降低。潘桂霞等^[13]提出一种YOLOv5颈部细化的小交通标志检测算法，通过引入GSConv（grouped spatial convolution）模块提高模型性能，但对小目标检测效果欠佳。闫世洋等^[14]提出一种SC-YOLOv8检测算法，有效地改善了漏检和准确率低等情况，但在模型参数量方面仍有较大优化空间，以便实现移动端部署。赵会鹏等^[15]提出一种改进的Ghost-YOLOv8交通标志检测模型，引入GhostConv并设计全新的GhostC2f模块使模型轻量化，但算法的整体检测精度偏低且泛化能力没有得到充分证实。

鉴于此，为改善模型对交通标志中的小目标漏检和检测精度较低等问题，提出一种基于改进YOLO11n的交通标志检测算法，首先利用卷积和注意力融合模块（convolution and attention fusion module，CAFM）使局部特征与全局特征相融合，使小目标的特征表达更为充分，进而提升模型检测精度；然后引入轻量动态上采样算法DySample，减少特征信息的丢失，增强模型对小目标的感知能力，缓解对小目标的漏检问题；再使用选择性卷积（selective convolution，SCConv）与C3k2相结合，在空间维度和通道维度上去除特征冗余，提高检测精度，减少模型参数量，在提升模型性能的同时也更容易实现移动端部署；最后添加一个小目标检测层，保留更多浅层细节信息，进一步提高对小目标的检测能力。通过上述改进策略，能有效增强模型对小目标的感知能力，为智能交通系统中的交通标志检测提供了一种理论可行性方案。

1 YOLO11n算法

YOLO系列算法在目标检测、图像分类等任务已有广泛应用，YOLO11由Ultralytics团队于2024年9月提出，是一种最新的目标检测模型。在目标检测领域，YOLO系列算法能在准确性和实时性达到最佳平衡，选取YOLO11n为基线模型。

YOLO11n模型结构如图1所示，Input用于对输入的图像进行预处理。Backbone由Conv、C3k2、空间金字塔快速池化（spatial pyramid pooling fast，SPPF）和C2PSA（cross stage partial with pyramid squeeze attention）等模块构成，作为主要特征提取器，利用卷积神经网络将输入图像数据转换为多尺度特征图。相较YOLOv8，C3k2模块取代了C2f模块使模型运行更快、更高效，从而提高了特征融合过程的整体性能。引入一个新的跨阶段部分空间注意力C2PSA模块。C2PSA模块使YOLO11能够在空间上汇聚特征于特定区域，从而提高不同大小和位置的物体的检测准确性，特别是对于较小的对象。Neck结合不同尺度的特征，并将其传输到检测层进行预测，通过上采样和连接不同层级的特征图，使模型能够有效地获取多尺度信息。Head接收从颈部传递的特征图，使用3个不同尺度的检测层提取不同尺度的信息特征，输出图像中目标的边界框、标签类别和置信度。

2 YOLO11n算法改进

如图2所示，为改进YOLO11n的交通标志检测算法模型结构。首先，利用CAFM注意力机制与YOLO11n主干部分结合，加强小目标的特征表达；其次，引入DySample上采样算法进一步增强对小目标的感知能力；然后，再将SCConv模块与C3k2相结合，提高模型整体性能；最后，增加一个小目标检测层，用于改善模型存在对小目标检测精度低、漏检等情况。

2.1 C2PSA_CAFM模块

因卷积运算无法与特征图的全局特征相结合，导致出现检测准确率低、漏检等情况。为增强模型对小目标的特征表达能力，引入CAFM^[16]注意力机制模块替换PSABlock中的注意力机制，替换后结构如图3所示。

如图4所示，CAFM注意力机制由局部分支和全局分支两部分组成。其中，局部分支聚焦于整合局部特征，以提高模型的局部特征信息表达能力，而全局分支采用自注意力机制，旨在更全面、有效地捕捉和利用全局特征信息。

在局部分支中，为使不同通道维度的特征信息能够充分融合，首先，使用一个1×1卷积对通道维度进行调整。接着，通过通道混合操作对调整后的特征信息进行进一步的融合。在此过程中，输入的特征信息会根据相应的维度进行分组，每一组内部利用深度可分离卷积进行特征混合操作，以实现所需的特征融合效果。然后，得到的输出的特征信息再按照对应维度进行重组。最后，采用3×3×3卷积层对重组后的特征信息进一步提取，通过上述操作，生成最终所需输出张量。局部分支由式（1）表示。

（1）F_conv=W_3×3×3{CS[W_1×1（N）]}

式（1）中：F_conv为局部分支的输出；W_1×1为1×1卷积；W_3×3×3为3×3×3卷积；CS为通道混合操作；N为输入特征。

在全局分支中，首先，输入的特征经过一个大小为1×1的卷积进行初步处理，接着，将特征信息分别用3组3×3深度卷积生成所需的查询矩阵Q、键矩阵K、值矩阵V，也即为3个大小为H×W×C的张量（H、W分别为特征图高度、特征图宽度和C为通道数）。然后，对Q、K进行重组，重组后Q^*为J×C（J=H×W），K^*则变为C×J，这样通过Softmax计算后得到的特征图为C×C而不是J×J，进而能够有效地降低计算量。全局分支由式（2）、式（3）表示。

（2）F_att=W_1×1Attention（Q^*，K^*，V^*）+N

（3）Attention（Q^*，K^*，V^*）=V^*Softmax$\left(\frac{{Q}^{*}{K}^{*}}{\alpha }\right)$

式中：F_att为全局分支的输出；Attention（Q^*，K^*，V^*）为加权后的输出特征图；Q^*、K^*、V^*分别为Q、K、V的加权值；α为可调整的缩放系数，用于控制Q和K矩阵乘法的幅度。

最后，CAFM注意力机制模块的输出结果可表示为

（4） F_out=F_conv+F_att

式（4）中：F_out为最终输出结果。

2.2 上采样算法DySample

在交通标志检测任务中，由于交通标志相对于驾驶员均为由远及近，部分交通标志像素占比小、特征提取困难。

因此引入DySample^[17]上采样模块，代替传统上采样模块，提高模型对小目标的检测精度。

如图5所示，DySample是一种轻量高效的动态上采样方法，利用基于点的采样避免了传统上采样方法中的额外的卷积操作和子网络生成。通过采样点生成器得到大小为2g×sH×sW（s为上采样因子）采样集S，其中第一维度的2g表示x和y坐标，最后通过函数gridsample利用采样集里的采样点对特征映射U重新采样，得到大小为C×sH×sW的特征图U'，可表示为

（5）U'=gridsample（U，S）

式（5）中：U为输入特征；S为采样集；gridsample为采样函数；U'为输出特征。

如图6所示，以基于动态范围因子的点采样为例，给定一个大小为C×H×W的特征映射U和上采样因子s，通过线性层、动态范围因子和像素重组最后得到偏移量O，如式（6）所示。最后偏移量O和原始采样网格G相加即为所需的采样集S，如式（7）所示。

（6）O=0.5sigmoid[linear₁（U）]linear₂（U）

（7）S=G+O

式中：O为偏移量；linear₁和linear₂分别为两个线性层的计算；G为输出特征。

DySample上采样算法通过偏移量从而调整采样集中的采样点，与交通标志中的小目标相结合进而得到更多的局部特征和语义信息，增强了模型对小目标的感知能力。

2.3 C3k2_SC模块

如图7所示，为进一步提高模型整体检测性能，利用SCConv^[18]模块与C3k2相结合，设计全新的C3k2_SC模块。如图8所示，SCConv由空间重建单元和通道重建单元两部分组成，两个单元相互配合，提高模型检测精度，能有效地降低特征冗余和减少模型参数量，提升模型性能。

2.3.1 空间重建单元

如图9所示，空间重建单元通过分离-重建方法有效地减少了空间冗余。分离阶段，通过不同的权重将信息丰富特征图与冗余特征图区分开，提升特征的表达能力。重建阶段，通过加和的方式，在保留重要特征信息的同时也获得了信息更为丰富的特征图，最终得到空间细化特征X^w。

给定一个特征图X经过组归一化GN得到输出特征X_out。

（8）X_out=GN（X）=γ$\frac{X-\mu }{\sqrt{{\sigma }^{2}+\epsilon }}$+β

式（8）中：X为输入特征；γ和β为训练参数；μ为均值；σ为标准差；ε为保证除法稳定性的小正常数。

训练参数γ用于调整不同维度通道在空间上所生成的像素方差，经过归一化后再利用W_r重新加权，可表示为

（9）W_r={w_i}=$\frac{{\gamma }_{i}}{\sum _{j=1}^{c}{\gamma }_{j}}$，i，j=1，2，…，C

式（9）中：w_i为权重元素；γ_i、γ_j分别为组归一化（GN）中第i、j个可学习的缩放参数；c为缩放因子。

再将加权后的结果与组归一化相乘，利用Sigmoid函数将取值范围控制在（0，1）区间内，再使用阈值对结果进行调控，本文取阈值为0.5，大于阈值的W₁设为1，小于阈值的W₂设为0，其中W₁为有用信息特征，W₂为冗余信息特征，如式（10）所示。

（10）W=Gate（sigmoid{W_r[GN（X）]}）

式（10）中：W为最终的重掩码；Gate为阈值门控。

最后，将输入特征图X分别乘以信息权重W₁和W₂，再交叉相加得到空间细化特征X^w，具体过程如式（11）~式（15）所示。

（11）${X}_{1}^{w}$=W₁􀱋X

（12）${X}_{2}^{w}$=W₂􀱋X

（13）${X}_{11}^{w}$􀱇${X}_{22}^{w}$=X^w₁

（14）${X}_{21}^{w}$􀱇${X}_{12}^{w}$=X^w₂

（15）X^w₁∪X^w₂=X^w

式中：${X}_{1}^{w}$为有用信息特征图；${X}_{2}^{w}$为冗余信息特征图；${X}_{11}^{w}$、${X}_{22}^{w}$为从${X}_{1}^{w}$中分离出的两个子特征图；${X}_{21}^{w}$、${X}_{12}^{w}$为从${X}_{2}^{w}$中分离出的两个子特图；􀱋为元素点乘；⊕为元素相加；∪为取并集。

2.3.2 通道重建单元

如图10所示，通道重建单元通过分割-转换-融合进一步减少空间细化特征X^w在通道上的冗余。分割阶段，通过两组不同权重的1×1的卷积将X^w划分为富特征X_up和浅特征X_low。转换阶段，对X_up使用两组并联的高效卷积运算，分别为逐组卷积（group-wise convolution，GWC）和逐点卷积（point-wise convolution，PWC），将两个分支的输出相加得到特征Y₁，对X_low采用PWC提取浅层细节语义信息得到特征Y₂，特征Y₂为对特征Y₁细节进的一步补充。融合阶段，对转换阶段得到的输出特征Y₁和Y₂利用SKNet（selective kernel networks）网络合并，得到输出特征Y。输入特征Y通过SCConv，能够有效地去除冗余特征信息，并对有效特征信息更为关注，进而提高模型的检测精度，减少模型参数量。

2.4 小目标检测层

交通标志中存在大量的小目标，小目标在图像中占据很小的像素面积，而在深层的网络结构中，容易被特征图上的大面积特征所淹没，导致小目标的特征信息难以提取，进而出现检测不完全等情况。为降低漏检率，提高模型对小目标的检测能力，如图2黑色虚线框所示，添加一个小目标检测层。

首先，将Neck中的DySample与Backbone中的第五层的特征层进行拼接，经过C3k2_SC处理，提取到小目标的深层语义信息。然后，将所提取深层语义信息再一次使用DySample上采样处理，进一步增强特征的表达能力。接着，将其与Backbone中的第三层的浅层特征图相结合，通过融合深层语义信息和浅层的位置信息，获得更全面的特征表达信息。最后，通过C3k2_SC送至Head层中的所额外添加的检测头进行检测。通过增加一个160×160分辨率的小目标检测层，补充了小目标的细节特征，并通过深层语义信息和浅层位置特征的融合，增强了语义信息的丰富性，使模型检测的范围有一定的扩大，也提高了模型对小目标的检测精度和鲁棒性。

3 实验设计与结果分析

3.1 数据集与实验环境

TT100K^[7]中国交通标志数据集有100 000张图像，共有交通标志小类别221种。由于部分类别的交通标志样本实例过少，为避免影响训练实验结果，经筛选后，整合45类交通标志，其中交通标志类别实例图均大于100张作为数据集，训练集、验证集和测试集的比例为7∶2∶1。

所用操作系统为Ubuntu22.04，Python版本为3.12，GPU型号为RTX3080Ti，在Pytorch2.3.0框架上进行实验，训练参数设置如表1所示。

3.2 评价指标

使用精确率（precison，记为P）、召回率（recall，记为R）、平均精度（mean average precision，mAP）等作为评价指标，具体计算公式如式（16）~式（19）所示。

（16）P=$\frac{TP}{TP+FP}$×100%

（17）R=$\frac{TP}{TP+FN}$×100%

（18）mAP=$\frac{1}{n}\sum _{i=1}^{n}$AP_i×100%

（19）mAP@0.5=$\frac{1}{n}\sum _{i=1}^{n}$AP@0.5_i×100%

式中：TP为模型将正例正确预测；TN为模型将负例正确预测；FP为模型将正例错误预测；FN为模型将负例错误预测；n为总类别数；i为被检测对象所对应序号；AP为单个类别的平均精度；mAP为所有类别的平均精度；mAP@0.5为IOU阈值为0.5时的平均精度。

3.3 注意力机制模块对比实验

为验证CAFM注意力机制模块的有效性，将EMA（efficient multi-scale attention）、CBAM（convol-utional block attention module）和CAFM注意力机制依次融入YOLO11n主干网络进行对比实验，实验结果如表2所示。

由表2可知，融入CAFM注意力机制后相较于原模型P、R和mAP@0.5分别提升了1.1、1.4和1.1个百分点，仅在R值方面略低于EMA注意力机制，综合考虑下，选择将CAFM注意力机制模块融入YOLO11n主干网络层。

3.4 上采样算法对比实验

为验证上采样算法DySample的有效性，将CARAFE、EUCB（efficient up-convolution block）和DySample分别融入YOLO11n颈部进行对比实验，实验结果如表3所示。

由表3可知，上采样算法DySample在P上与上采样算法EUCB相同，但其R和mAP表现不如DySample，故选择上采样算法DySample代替传统上采样算法。

3.5 消融实验

为验证所提出模块的有效性，在TT100K数据集上以YOLO11n为基线模型进行①~⑥的消融实验。其中，①为原模型YOLO11n，⑥为本文改进算法模型，消融实验结果如表4所示。

根据表4可知，在YOLO11n模型添加小目标检测层后，保留更多浅层细节信息，P、R、mAP@0.5、mAP@0.5：0.95均有提升，分别提高了1.9、2.3、4.2、3.7个百分点，提升了模型整体检测性能，但带来了一定的参数量；在添加DySample上采样方法后，使采样点集中于目标区域，减少特征信息的丢失，R、mAP@0.5分别提高了2.3%、1.5%，增强了模型对小目标的感知能力；由③和④可知，在加入设计的C3k2_SC后，在空间维度和通道维度上去除特征冗余，R、mAP@0.5分别提高了2.8、2.2个百分点，并且参数量下降了10.4%，进一步提高模型检测精度并使网络轻量化；由③和⑤可知，融入CAFM注意力机制模块后，对图像的全局和局部特征进行有效建模，P提高了1.1个百分点，加强了模型对小目标特征的提取能力。在组合多个模块时，模型的性能仍有不同程度的提升，表明不同模块间功能冗余小，模型能够充分利用各模块功能。最后，本文改进算法模型与原模型YOLO11n相比，P提高了3.8%，R提高了9.5%，mAP@0.5提高了8.5%，mAP@0.5：0.95提高了6.5%，证明了本文改进模块在交通标志检测任务中的有效性。

3.6 对比实验

为验证本文改进算法在交通标志检测中的优越性，在同一数据集和实验环境下将本文算法与YOLOv5n、YOLOv5s等算法和近期交通标志检测算法^[23-25]进行对比。对比实验结果如表5所示。

根据表5可知，本文改进算法在TT100K数据集上，P、R、mAP@0.5、mAP@0.5：0.9分别为82.0%、77.5%、84.6%、65.7%，其中在P值上低于YOLOv5s和文献[25]，但YOLOv5s过大的参数量不易于移动端部署，文献[25]其余评价指标表现不及本文改进算法。

在模型参数量方面，本文改进算法略高于YOLOv5n。除此外，其余评价指标显著优于YOLOv5n和文献[23]等目标检测算法。综合评估下，本文改进算法在准确率和模型参数量方面较表内其他交通标志检测算法拥有更好的平衡，其较小的模型参数量也更容易实现移动端部署。

在CCTSDB^[26]数据集上对本文改进算法的泛化能力作出验证，进行了对比实验，泛化实验结果如表6所示。

根据表6可知，在CCTSDB数据集上本文改进算法相较于原模型YOLO11n，P、R、mAP@0.5分别提高了2.9、5.5、5.6个百分点，证明了本文改进算法的泛化能力。

3.7 算法验证

YOLO11n与本文算法在TT100K数据集上的平均精度、精确率和召回率训练对比图如图11~图13所示，在200轮的训练下逐渐趋于稳定，mAP、P和R分别为84.6%、82.0%和77.5%，且均优于原模型YOLO11n。

为更直观地体会本文算法与原模型YOLO11n的差异，如图14所示，在TT100K数据集（第一、二和三组）和CCTSDB（第四、五和六组）数据集上进行交通标志检测结果可视化对比。在第一组、第二组和第六组对比图中，原模型均出现了漏检情况，且正确识别出的交通标志置信度均低于本文算法。在第三组和第四组对比图中，原模型均出现了误检，限速30 km/h标志被误检为50 km/h，限高4.5 m标志被误检为5 m，而本文算法将其正确识别出。在第五组对比图中，本文算法置信度也远高于原模型。在晴朗、阴天、雾天和夜晚多种场景下的检测结果可视化对比图综合分析可知，本文算法拥有更高的识别精度以及改善了对小目标检测不完全的问题，证明本文算法在交通标志小目标检测任务中的有效性。

4 结论

针对在交通标志检测任务中对小目标识别准确率低、检测不完全等问题，提出一种基于YOLO11n的改进算法。得出如下主要结论。

（1）利用CAFM注意力机制模块使局部特征与全局特征相融合，充分表达小目标的特征，进而提升模型检测精度。

（2）使用DySample代替传统的上采样方法，减少特征损失，增强模型对小目标的感知能力。

（3）设计全新模块C3k2_SC，提高模型的准确率，降低了模型的参数量，整体提升模型性能。

（4）添加了小目标检测层，改善了漏检情况。

在TT100K数据集中，本文改进算法的精确率、召回率、平均精度分别达到了82.0%、77.5%、84.6%，与相较于原模型YOLO11n，提高了3.8、9.5、8.5个百分点。解决了现有交通标志检测算法对小目标识别准确率低和漏检等问题，在交通标志检测任务中相较于与其他YOLO系列算法具有一定优势，体现了本文改进算法在交通工程中的实际应用价值。

未来将继续研究在复杂背景下如重叠、遮挡和恶劣天气下如暴雨、雪天的交通标志检测，也需要更多的应用场景提升模型的泛化能力和鲁棒性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Liu P, Xie Z, Li T. UCN-YOLOv5: traffic sign object detection algorithm based on deep learning[J]. IEEE Access, 2023, 11: 110039-110050.

[2]	牟家宇, 南新元. 基于YOLOv7-tiny改进的交通标志小目标实时检测算法[J]. 科学技术与工程, 2024, 24(30): 13072-13079.

[3]	Mou Jiayu, Nan Xinyuan. Improved real-time traffic sign small target detection algorithm based on YOLOv7-tiny[J]. Science Technology and Engineering, 2024, 24(30): 13072-13079.

[4]	曹家乐, 李亚利, 孙汉卿, 等. 基于深度学习的视觉目标检测技术综述[J]. 中国图象图形学报, 2022, 27(6): 1697-1722.

[5]	Cao Jiale, Li Yali, Sun Hanqing, et al. A review of visual target detection techniques based on deep learning[J]. Chinese Journal of Image Graphics, 2022, 27(6): 1697-1722.

[6]	Liang T, Bao H, Pan W, et al. Traffic sign detection via improved sparse R-CNN for autonomous vehicles[J]. Journal of Advanced Transportation, 2022, 9: 3825532.

[7]	Jiang H, Learned-Miller E. Face detection with the faster R-CNN[C]// The Proceedings of 2017 12th IEEE International Conference on Automatic Face & Gesture Recognition. Washington, DC: IEEE, 2017: 650-657.

[8]	Liang Z, Shao J, Zhang D, et al. Traffic sign detection and recognition based on pyramidal convolutional networks[J]. Neural Computing and Applications, 2020, 32(11): 6533-6543.

[9]	Zhu Z, Liang D, Zhang S, et al. Traffic-sign detection and classification in the wild[C]// The Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Lasvegas: IEEE, 2016: 2110-2118.

[10]	宋京京, 张振利. 基于YOLOv8n的小目标交通标志检测算法[J]. 科学技术与工程, 2024, 24(36): 15548-15557.

[11]	Song Jingjing, Zhang Zhenli. Small target traffic sign detection algorithm based on YOLOv8n[J]. Science Technology and Engineering, 2024, 24(36): 15548-15557.

[12]	吴晨曦, 应保胜, 许小伟, 等. 基于改进单步多框目标检测的道路小目标检测算法[J]. 科学技术与工程, 2023, 23(5): 2051-2058.

[13]	Wu Chenxi, Ying Baosheng, Xu Xiaowei, et al. A small target detection algorithm for roads based on improved single-step multi-frame target detection[J]. Science Technology and Engineering, 2023, 23(5): 2051-2058.

[14]	Rajendran S P, Shine L, Pradeep R, et al. Real-time traffic sign recognition using YOLOv3 based detector[C]// The Proceedings of 2019 10th International Conference on Computing, Communication and Networking Technologies (ICCCNT). Kanpur: IEEE, 2019: 1-7.

[15]	郭华玲, 刘佳帅, 郑宾, 等. 融合RepVGG的YOLOv5交通标志识别算法[J]. 科学技术与工程, 2024, 24(9): 3869-3875.

[16]	Guo Hualing, Liu Jiashuai, Zheng Bin, et al. YOLOv5 traffic sign recognition algorithm incorporating RepVGG[J]. Science Techno-logy and Engineering, 2024, 24(9): 3869-3875.

[17]	郑岚月, 张玉洁. 基于改进YOLOv7的交通信号灯检测[J]. 系统仿真学报, 2025, 37(4): 993-1007.

[18]	Zheng Lanyue, Zhang Yujie. Traffic signal detection based on improved YOLOv7[J]. Journal of System Simulation, 2025, 37(4): 993-1007.

[19]	潘桂霞, 赖惠成, 王同官, 等. 一种YOLOV5颈部细化的小交通标志检测算法[J]. 现代电子技术, 2023, 46(14): 56-62.

[20]	Pan Guixia, Lai Huicheng, Wang Tongguan, et al. A YOLOV5 neck refinement algorithm for small traffic sign detection[J]. Modern Electronics Technique, 2023, 46(14): 56-62.

[21]	闫世洋, 罗素云. 基于SC-YOLOv8的交通标志检测算法研究[J]. 电子测量技术, 2024, 47(15): 117-124.

[22]	Yan Shiyang, Luo Suyun. Research on traffic sign detection algorithm based on SC-YOLOv8[J]. Electronic Measurement Technology, 2024, 47(15): 117-124.

[23]	赵会鹏, 曹景胜, 潘迪敬, 等. 改进YOLOv8算法的交通标志小目标检测[J]. 现代电子技术, 2024, 47(20): 141-147.

[24]	Zhao Huipeng, Cao Jingsheng, Pan Dijing, et al. Improved YOLOv8 algorithm for small target detection of traffic signs[J]. Modern Electronics Technique, 2024, 47(20): 141-147.

[25]	Hu B, Chen S. Edge-guided contextual attention fusion network for camouflaged object detection[C]// The Proceedings of 2024 3rd International Conference on Cyber Security, Artificial Intelligence and Digital Economy. Nanjing: Association for Computing Machinery, 2024: 108-112.

[26]	Liu W, Lu H, Fu H, et al. Learning to upsample by learning to sample[C]// The Proceedings of IEEE/CVF International Conference on Computer Vision. Paris: IEEE, 2023: 6027-6037.

[27]	Ye S, Dong B, Xiong W, et al. A deep convolutional neural network for blind element error correction of spatial heterodyne spectrometer using line selective convolutional blocks[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2025, 330: 109199.

[28]	孟芳芳, 田孝壮, 方薇, 等. 基于改进YOLOv5的高空螺母识别算法[J]. 科学技术与工程, 2025, 25(1): 262-269.

[29]	Meng Fangfang, Tian Xiaozhuang, Fang Wei, et al. A high-altitude nut recognition algorithm based on improved YOLOv5[J]. Science Technology and Engineering, 2025, 25(1): 262-269.

[30]	牛思琪, 马睿, 许晓琳, 等. 基于改进CBAM注意力机制的MobileNetV2玉米种子品种识别研究[J]. 中国粮油学报, 2024, 39(3): 159-165.

[31]	Niu Siqi, Ma Rui, Xu Xiaolin, et al. MobileNetV2 maize seed variety recognition based on improved CBAM attention mechanism[J]. Journal of the Chinese Cereals and Oils Association, 2024, 39(3): 159-165.

[32]	Wang J, Chen K, Xu R, et al. Carafe: content-aware reassembly of features[C]// The Proceedings of IEEE/CVF International Conference on Computer Vision. Seoul: IEEE, 2019: 3007-3016.

[33]	Rahman M M, Munir M, Marculescu R. Emcad: efficient multi-scale convolutional attention decoding for medical image segmentation[C]// The Proceedings of IEEE/CVF Conference on Computer Vision and Pattern Recognition. Austintexas: IEEE, 2024: 11769-11779.

[34]	熊恩杰, 张荣芬, 刘宇红, 等. 面向交通标志的Ghost-YOLOv8检测算法[J]. 计算机工程与应用, 2023, 59(20): 200-207.

[35]	Xiong Enjie, Zhang Rongfen, Liu Yuhong, et al. Ghost-YOLOv8 detection algorithm for traffic signs[J]. Computer Engineering and Applications, 2023, 59(20): 200-207.

[36]	Tang Y, Han K, Guo J, et al. GhostNetv2: enhance cheap operation with long-range attention[J]. Advances in Neural Information Processing Systems, 2022, 35: 9969-9982.

[37]	赵宏, 冯宇博. 基于CGS-Ghost YOLO的交通标志检测研究[J]. 计算机工程, 2023, 49(12): 194-204.

[38]	Zhao Hong, Feng Yubo. Research on traffic sign detection based on CGS-Ghost YOLO[J]. Computer Engineering, 2023, 49(12): 194-204.

[39]	Zhang J, Zou X, Kuang L D, et al. CCTSDB 2021: a more comprehensive traffic sign detection benchmark[J]. Human-centric Computing and Information Sciences, 2022, 12: 23.

基金资助

国家重点研发计划(2022YFE0105200)

PDF (25246KB)

访问

被引

详细

导航

Received	Published	Revised
2025-02-26	2026-02-08	2025-10-31
Online Date
2026-09-21

摘要