Evaluation of Deep Neural Networks for traffic sign detection systems论文总结

Evaluation of Deep Neural Networks for traffic sign detection systems论文总结

关键词：深度学习，交通标志检测

本文主要简单介绍了目前比较流行的基于深度学习的交通标志的检测方式，并给出了多种检测方式的结果，对比其性能。

交通标志识别系统在显示现实生活中有很多应用，例如自动驾驶、交通检测、驾驶员安全协助、道路网络维护、交通场景分析等等。一个交通标志识别系统包含两个部分，分别是交通标志检测和交通标志识别。后者是一种二分类系统，回答是否问题，讲交通标志符号从图片中检测出来。

近几年，大多数先进的物体检测算法都是使用卷积神经网络，并且可以在移动设备和消费产品中得到有效利用，比如Faster R-CNN,R-FCN,SSD,YOLO。为了研究每种算法的优劣，将从以下几个方面来进行比较，平均准确度(mAP)、空间消耗、运行时间。这将以上几种元结构和不同的特征提取器结合起来进行测试，期望用一种统一的方式对检测系统进行比较。

四种元结构：Faster R-CNN,R-FCN,SSD,YOLO
六种卷积特征提取器：Resnet V1 50, Resnet V1 101, Inception V2, Inception Resnet V2, Mobilenet V1,Darknet-19.

文章从平均精确度、空间消耗、运行时间、浮点数操作数量、模型参数的个数来进行比较。
Faster R-CNN+Inception Resnet V2平均精确度最高；
R-FCN Resnet 101 从精确度和运行时间两方面来评估最优；
YOLO V2 可以达到最高精确度，运行速度第二快；
SSD Mobilenet运行速度最快，占用空间最小；
综上，SSD Mobilenet是最优性能的模型。

下图为比较结果，摘自原论文：

参考文献：
´Alvaro Arcos-Garc´ıa, Juan A. ´Alvarez-Garc´ıa, Luis M. Soria-Morillo, Evaluation of Deep Neural Networks for traffic sign detection systems, Neurocomputing (2018), doi: https://doi.org/10.1016/j.neucom.2018.08.009