半监控的交通标志检测与双信心融合模块和结构化块规范化子

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 自主驾驶系统 自主驾驶系统

背景情况:

• 交通标志检测对于自动驾驶安全至关重要.
• 培训的手动数据注释是资源密集的.
• 半监督学习 (SSL) 提供了一个可行的替代方案,但面临着伪标签可靠性和准确性的挑战.

研究的目的:

• 开发一种新的SSL框架,以提高交通标志检测的准确性.
• 解决现有的SSL方法中伪标签过和特征表示的局限性.

主要方法:

• 提出了一个框架,集成一个双信任融合 (DC-Fusion) 模块,用于可靠的伪标签.
• 引入了一个结构化块规则化子 (SBR-Neck),以优化特征表示.
• 在SBR-Neck内内置了空间上下文感知取样 (SCA-Upsampling),以保存空间细节.

主要成果:

• 获得的mAP50分数为10.4% (1%标记数据),17.8% (2%),23.7% (5%) 和32.1% (10%).
• 在不同的标记数据百分比中,超过了"高效教师"基线的3.07%至11%.
• 在复杂的交通场景中表现出强大的检测性能.

结论:

• 拟议的DC-Fusion和SBR-Neck框架显著提高了使用SSL的交通标志检测.
• 该方法有效地提高了伪标签的可靠性和特征表示,从而达到更高的准确性.
• 该框架为自动驾驶系统提供了强大的解决方案,这些系统需要使用最小的标记数据准确识别交通标志.