基于YOLOX-Tiny的长尾分布交通标志识别模型

作者：伍云鹏; 付应雄; 沈丽君; 崔峰^*

来源：系统仿真学报, 2023, 1-15.

DOI：10.16182/j.issn1004731x.joss.23-0906

• 长尾分布
• YOLOX
• 交通标志识别
• 注意力机制
• 特征重组
• 多尺度特征融合

在智能驾驶领域，准确识别交通标志对行车安全具有重要意义，交通标志训练集往往服从长尾分布，这为交通标志识别带来极大难度。针对于长尾分布数据集训练出的模型在尾类上表现差的现象，本文提出一种基于YOLOX-Tiny的长尾分布交通标志识别模型。首先，本文在TT100K＿2021 (Tsinghua-Tencent 100K 2021)数据集基础上制作交通标志长尾数据集；然后从制作数据集图片数量、样本分布以及模型大小出发，本文选择YOLOX-Tiny作为基础模型；随后采用EQL v2(Equalization Loss v2)和FL(Focal Loss)作为分类损失和目标置信度损失，平衡分类器头尾差距，增强模型对目标置信度的预测；最后在颈部双向金字塔中引入上采样算子CARAFE、坐标注意力机制(Coordinate Attention， CA)和CAR-ASFF模块(CARAFE + Adaptively Spatial Feature Fusion)，解决传统特征金字塔上不同层级特征图的反向传播冲突问题，提升特征重组效果，突出目标特征。研究结果表明：改进的YOLOX-Tiny模型在制作的长尾交通标志数据集上mAP50和mAP5095分别达到了43.67％和29.98％，改进模型相比较其他几种目标检测模型具有更高的检测精度。

• 出版日期2023
• 单位湖北大学; 中国科学院自动化研究所