.png){kind=icon}
返回
An improved lightweight algorithm for traffic sign detection
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-18469-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
确保道路安全和发展自动驾驶技术需要准确且及时地检测交通标志。交通标志检测面临复杂背景和不同尺寸带来的挑战，以及巨大的计算需求。为应对这些挑战，本研究提出了YOLO-SAL，一种轻量级的交通标志检测模型。最初，该模型采用并创新了SCConv概念，引入了SCC2f设计。这一创新通过空间和通道机制优化了传统的卷积残差块，大幅削减了模型的参数和计算量。此外，该模型通过渐进式特征金字塔网络促进不同层之间的改进交互，增强了Adaptive Feature Pyramid Network (AFPN)。这种增强提高了对各种尺寸交通标志的检测精度。另外，该模型在检测层引入了Long-Sequence Knowledge Attention (LSKA)，利用注意力原理细化模型对关键信息的关注。实验结果表明，与基线YOLOv8n模型相比，所提出的YOLO-SAL将平均精度均值（mAP）提高了4.9%，同时分别将模型参数减少13.3%和计算量（FLOPs）降低8.6%。这些改进突显了该模型满足快速准确交通标志检测需求的能力。
Keyword:
Object detection and recognition
YOLOv8n
YOLO-SAL (an improved algorithm)
Autonomous vehicles
Lightweight algorithm
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
Traffic Sign Detection and Recognition Using YOLO Object Detection Algorithm: A Systematic Review.png)
MathematicsOAAI
MathematicsIF0
OAAI分享收藏分享收藏Object Detection in Adverse Weather for Autonomous Driving through Data Merging and YOLOv8基于数据合并和YOLOv8的恶劣天气下自动驾驶目标检测SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏SGN-YOLO: Detecting Wood Defects with Improved YOLOv5 Based on Semi-Global NetworkSgn-yolo: 基于半全局网络的改进YOLOv5木材缺陷检测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Improved YOLOv5 network for real-time multi-scale traffic sign detection基于改进YOLOv5网络的多尺度交通标志实时检测
PREAI
分享收藏
查看更多内容