[论文解读] Traffic Signs Detection and Recognition System using Deep Learning

Pavly Salah Zaki, Marco Magdy William+4 more|arXiv (Cornell University)|Mar 6, 2020

Advanced Neural Network Applications参考文献 12被引用 10

一句话总结

本文提出了一种基于深度学习的实时交通标志检测与识别系统，利用迁移学习在GTSDB数据集上结合Faster R-CNN（F-RCNN）与Tiny-YOLOv2实现。模型在准确率与效率方面表现优异，成功部署于高端PC及边缘设备（如Raspberry Pi 3 Model B+），在不同光照与天气条件下展现出稳健性能。

ABSTRACT

With the rapid development of technology, automobiles have become an essential asset in our day-to-day lives. One of the more important researches is Traffic Signs Recognition (TSR) systems. This paper describes an approach for efficiently detecting and recognizing traffic signs in real-time, taking into account the various weather, illumination and visibility challenges through the means of transfer learning. We tackle the traffic sign detection problem using the state-of-the-art of multi-object detection systems such as Faster Recurrent Convolutional Neural Networks (F-RCNN) and Single Shot Multi- Box Detector (SSD) combined with various feature extractors such as MobileNet v1 and Inception v2, and also Tiny-YOLOv2. However, the focus of this paper is going to be F-RCNN Inception v2 and Tiny YOLO v2 as they achieved the best results. The aforementioned models were fine-tuned on the German Traffic Signs Detection Benchmark (GTSDB) dataset. These models were tested on the host PC as well as Raspberry Pi 3 Model B+ and the TASS PreScan simulation. We will discuss the results of all the models in the conclusion section.

研究动机与目标

• 开发一种对不同光照、天气及能见度条件具有鲁棒性的实时交通标志检测与识别系统。
• 评估多种深度学习架构（F-RCNN、SSD及YOLO变体）在德国交通标志检测基准（GTSDB）上的性能表现。
• 通过迁移学习微调最先进模型，以提升检测准确率与推理速度。
• 在高性能硬件与低成本边缘设备（如Raspberry Pi 3 Model B+）上部署并基准测试表现最佳的模型。
• 通过真实世界测试与PreScan仿真环境验证系统的鲁棒性。

提出的方法

• 采用以Inception v2作为主干特征提取器的Faster R-CNN进行目标检测。
• 采用Tiny-YOLOv2作为替代性实时检测模型，适用于边缘设备部署。
• 通过在GTSDB数据集上微调预训练模型，应用迁移学习以适应交通标志识别任务。
• 使用标准检测指标（如平均精度均值mAP）评估模型性能。
• 在主机PC与Raspberry Pi 3 Model B+上进行推理测试，以评估其实现实时处理的可行性。
• 利用TASS PreScan仿真环境验证结果，以模拟多样化的驾驶条件。

实验结果

研究问题

• RQ1 哪种深度学习架构在交通标志检测中实现了准确率与推理速度的最佳平衡？
• RQ2 迁移学习与模型微调在GTSDB数据集上的检测性能提升方面有何影响？
• RQ3 高精度检测模型能否在低功耗边缘设备（如Raspberry Pi 3 Model B+）上有效部署？
• RQ4 不同光照与天气条件如何影响检测系统的鲁棒性？
• RQ5 在实时检测场景中，采用Inception v2的F-RCNN与Tiny-YOLOv2相比表现如何？

主要发现

• 在GTSDB数据集上，采用Inception v2的F-RCNN在所评估模型中达到最高检测准确率。
• Tiny-YOLOv2展现出卓越的推理速度，并成功部署于Raspberry Pi 3 Model B+，实现实时处理。
• 微调后的模型在不同光照与天气条件下均保持高性能，表明其具备强大的泛化能力。
• 与从零开始训练相比，迁移学习显著提升了收敛速度与检测mAP。
• 系统在PC与Raspberry Pi上均实现了实时推理，证实其适用于嵌入式部署。
• PreScan仿真结果验证了系统在受控但具有挑战性的环境条件下的鲁棒性。