Published January 1, 2022
| Version v1
Publication
Open
Small Traffic Sign Detection in Big Images: Searching Needle in a Hay
- 1. NED University of Engineering and Technology
- 2. Habib University
- 3. Kyungpook National University
Description
Traffic sign detection is an essential module of self-driving cars and driver assistance system. The major challenge being, traffic sign appear relatively smaller in road view images. It covers only 1%-2% of the total image area. Hence, its challenging to detect very small traffic sign in a larger image covering huge background of similar shape objects. Thus, we propose YOLOv3 network layers pruning and patch wise training strategy for small sized traffic sign detection. This aids in improving recall percentage and mean Average Precision. We also propose anchor box selection algorithm that uses bounding box dimension density to obtain optimal anchor set for the dataset. This reduces false positives and log-average miss rate. The proposed approach is evaluated on German traffic sign detection benchmark and Swedish traffic sign dataset and proves that it achieved a good balance between mAP and inference time.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد اكتشاف إشارات المرور وحدة أساسية للسيارات ذاتية القيادة ونظام مساعدة السائق. التحدي الرئيسي هو أن إشارات المرور تبدو أصغر نسبيًا في صور رؤية الطريق. يغطي 1%-2% فقط من إجمالي مساحة الصورة. وبالتالي، من الصعب اكتشاف إشارة مرور صغيرة جدًا في صورة أكبر تغطي خلفية ضخمة لأجسام ذات شكل مماثل. وبالتالي، نقترح تقليم طبقات شبكة YOLOv3 وتصحيح استراتيجية التدريب الحكيمة للكشف عن إشارات المرور صغيرة الحجم. وهذا يساعد في تحسين نسبة الاستدعاء ومتوسط الدقة. نقترح أيضًا خوارزمية اختيار صندوق الارتساء التي تستخدم كثافة أبعاد الصندوق المحيط للحصول على مجموعة الارتساء المثلى لمجموعة البيانات. هذا يقلل من الإيجابيات الكاذبة ومتوسط معدل الخطأ في السجل. يتم تقييم النهج المقترح على أساس معيار الكشف عن إشارات المرور الألمانية ومجموعة بيانات إشارات المرور السويدية ويثبت أنه حقق توازنًا جيدًا بين MAP ووقت الاستدلال.Translated Description (French)
La détection des panneaux de signalisation est un module essentiel des voitures autonomes et du système d'aide à la conduite. Le principal défi étant que les panneaux de signalisation semblent relativement plus petits dans les images de vue de la route. Il ne couvre que 1%à 2% de la surface totale de l'image. Par conséquent, il est difficile de détecter de très petits panneaux de signalisation dans une image plus grande couvrant un arrière-plan énorme d'objets de forme similaire. Ainsi, nous proposons la stratégie d'élagage des couches réseau YOLOv3 et de formation au patch Wise pour la détection des panneaux de signalisation de petite taille. Cela aide à améliorer le pourcentage de rappel et la précision moyenne. Nous proposons également un algorithme de sélection de boîte d'ancrage qui utilise la densité de dimension de la boîte de délimitation pour obtenir un ensemble d'ancrage optimal pour l'ensemble de données. Cela réduit les faux positifs et le taux d'échec de la moyenne des journaux. L'approche proposée est évaluée sur la référence allemande de détection des panneaux de signalisation et l'ensemble de données suédois sur les panneaux de signalisation et prouve qu'elle a atteint un bon équilibre entre le mAP et le temps d'inférence.Translated Description (Spanish)
La detección de señales de tráfico es un módulo esencial de los coches autónomos y del sistema de asistencia al conductor. El principal desafío es que las señales de tráfico parecen relativamente más pequeñas en las imágenes de la vista de la carretera. Cubre solo el 1%-2% del área total de la imagen. Por lo tanto, es difícil detectar una señal de tráfico muy pequeña en una imagen más grande que cubra un enorme fondo de objetos de forma similar. Por lo tanto, proponemos la poda de capas de red YOLOv3 y una estrategia de entrenamiento con parches para la detección de señales de tráfico de pequeño tamaño. Esto ayuda a mejorar el porcentaje de recuperación y la precisión media. También proponemos un algoritmo de selección de cajas de anclaje que utiliza la densidad de dimensiones de la caja delimitadora para obtener un conjunto de anclajes óptimo para el conjunto de datos. Esto reduce los falsos positivos y la tasa de fallos media logarítmica. El enfoque propuesto se evalúa en el punto de referencia de detección de señales de tráfico alemán y el conjunto de datos de señales de tráfico suecas y demuestra que logró un buen equilibrio entre el mAP y el tiempo de inferencia.Files
09709811.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:5f0661b69beada5d7ad7cec0c472f3e8
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- اكتشاف إشارات المرور الصغيرة في الصور الكبيرة: البحث عن إبرة في قش
- Translated title (French)
- Détection de petits panneaux de signalisation en grandes images : recherche d'une aiguille dans un foin
- Translated title (Spanish)
- Detección de señales de tráfico pequeñas en imágenes grandes: búsqueda de una aguja en un heno
Identifiers
- Other
- https://openalex.org/W4210949094
- DOI
- 10.1109/access.2022.3150882
References
- https://openalex.org/W1536680647
- https://openalex.org/W2105666116
- https://openalex.org/W2114833239
- https://openalex.org/W2117876524
- https://openalex.org/W2131171972
- https://openalex.org/W2472350142
- https://openalex.org/W2479866714
- https://openalex.org/W2538864697
- https://openalex.org/W2565639579
- https://openalex.org/W2580820276
- https://openalex.org/W2726204845
- https://openalex.org/W2788097838
- https://openalex.org/W2808910047
- https://openalex.org/W2893764892
- https://openalex.org/W2904634918
- https://openalex.org/W2940955785
- https://openalex.org/W2962951509
- https://openalex.org/W2963037989
- https://openalex.org/W2963150697
- https://openalex.org/W2963351448
- https://openalex.org/W2975256828
- https://openalex.org/W2981958729
- https://openalex.org/W2990715699
- https://openalex.org/W2991454703
- https://openalex.org/W3014560200
- https://openalex.org/W3084946993
- https://openalex.org/W3088695939
- https://openalex.org/W3109760212
- https://openalex.org/W3121984892
- https://openalex.org/W639708223