Real-time traffic sign detection network based on Swin Transformer
Notice bibliographique
Résumé
Abstract In the field of autonomous driving, the detection of traffic signs remains a significant challenge, especially when it comes to the real-time detection of medium and small targets. The difficulty of detecting small objects decreases accuracy. To address these challenges, we propose a real-time traffic sign detection algorithm based on the Swin Transformer (RTSDST) that improves computation performance and accuracy for multi-scale target detection on SoCs installed onboard autonomous driving vehicles. Our approach includes a head specifically designed for detecting tiny objects, followed by the adoption of Swin Transformer blocks to effectively capture the spatial and channel dependencies of the feature maps, which improves the accuracy of detecting targets of varying sizes. To efficiently identify regions of interest in large coverage images, we employ a Residual Convolutional Attention Module to generate sequential feature maps between the channel and spatial dimensions and weigh them against the original map. A realistic traffic sign detection dataset, Tsinghua-Tencent 100K (TT100K), which includes medium and small traffic sign targets, was adopted in this article to evaluate the effectiveness of our proposed RTSDST. The evaluation results show that RTSDST has excellent performance on multi-scale scenes. Additionally, we also evaluated our network on the VisDrone dataset for small target detection. Our method has state-of-art performance on small targets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».