[发明专利]一种基于改进VFNet算法的交通标志检测方法

权利要求书

1.一种基于改进VFNet算法的交通标志检测方法，其特征在于包含如下步骤：

步骤1：准备交通标志检测数据集，交通标志检测数据集包含训练集和测试集两个部分，并对交通标志检测数据集进行格式转换，转换为MSCOCO格式；

步骤2：改进VFNet网络模型；

步骤2.1：在VFNet的主干网ResNet50的最后一层后面加入设计的SPPF Transformer模块，用于从多种不同的感受野中获取大量的上下文信息；

步骤2.2：在VFNet的检测头的分类分支加入一个跳跃连接，绕过3个3×3卷积、GroupNormalization层、ReLU激活函数，然后和3个3×3卷积、Group Normalization层、ReLU激活函数后的特征相加，相加后使用一个ReLU激活函数增强网络的非线性能力，提升网络对于较小尺寸的交通标志的检测能力；

步骤3：将训练集输入经步骤2改进后的VFNet网络进行训练，并保存最优的模型；

步骤4：将测试集输入训练保存的最优模型中进行测试，验证改进后的模型的检测效果。

2.根据权利要求1所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：所述步骤1中交通标志检测数据集使用TT100K数据集和DFG数据集，每个数据集都包括训练集和测试集，TT100K数据集图片的分辨率为2048×2048像素，包括221个类别，其中45个类别包括至少100个实例，DFG数据集包含200个类别，每个类别至少包含20个交通标志实例，数据集中交通标志实例的边界框大小至少为30像素。

3.根据权利要求1所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于，所述步骤2.1中：在VFNet的主干网ResNet50的最后一层后面加入设计的SPPFTransformer模块，SPPFTransformer模块首先使用SPPF产生多种不同的感受野，在经过Sigmoid激活函数后和输入特征相乘，使C₅层获取大量的上下文信息，有助于检测图片中各种不同大小的交通标志，然后使用一个两层的MLP进行通道信息的交互。

4.根据权利要求1所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：所述步骤2.2中在VFNet的检测头的分类分支中添加一个跳跃连接，绕过3个3×3卷积、Group Normalization层、ReLU激活函数，和3个3×3卷积、Group Normalization层、ReLU激活函数后的特征相加，相加后使用一个ReLU激活函数增强网络的非线性能力。

5.根据权利要求4所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：

改进后的分类分支可表示为：

y＝σ(x+h(x))

其中x表示输入，h(x)表示连续的3个3×3卷积、Group Normalization层、ReLU激活函数，σ表示ReLU激活函数；

根据链式法则，反向回传的梯度可表示为：

从对分类分支输入的梯度计算公式可以看出，相比原来的不使用残差边可以使输入信息直接传到连续的3个3×3卷积、Group Normalization层、ReLU激活函数后面，为后续保留在较小的感受野状态下的特征，有利于对尺寸较小的交通标志的检测。

6.根据权利要求1所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：所述步骤3中实验使用Ubuntu 20.04操作系统，Python语言，PyTorch深度学习框架，目标检测工具箱mmdetection，在TT100K数据集和DFG数据集的预处理中，将TT100K数据集的输入图片的大小调整为1280×1280，将DFG数据集的输入图片的大小调整为1333×800。