面向开放场景的交通标志识别方法

TP391%U491.5+21; 基于传统深度学习技术实现的道路交通标志识别系统通常遵从完全数据驱动模式,导致它们在真实世界的开放场景中存在性能不稳定和极大的安全隐患.为缓解该问题,提出一种基于道路交通标志设计标准的语义数据集构建方法,并利用零样本学习机制设计一个通用的具备推理能力和可解释性的道路交通标志识别框架,其能够有效应对实践中面临的道路交通标志的动态更新和类别缺失问题.利用国家道路交通标志制定标准来抽象出所有类别的通用属性,并将这些属性信息作为领域知识注入传统数据驱动模型的训练过程中.在领域知识的帮助下,所提基于零样本学习的交通标志识别方法能够比随机预测和传统深度学习模型更准确地识别出...

Full description

Saved in:
Bibliographic Details
Published in深圳大学学报（理工版） Vol. 40; no. 3; pp. 258 - 265
Main Authors 曹伟朋, 吴宇豪, 李大川, 明仲, 陈贞儒, 叶璇
Format Journal Article
LanguageChinese
Published 人工智能与数字经济广东省实验室(深圳),广东深圳 518107%南方科技大学斯发基斯可信自主系统研究院,广东深圳 518055 01.05.2023
Subjects
自动驾驶
开放场景
深度学习
人工智能
零样本学习
辅助驾驶
交通标志识别
Online AccessGet full text
ISSN1000-2618
DOI10.3724/SP.J.1249.2023.03258

Cover

More Information
Summary:TP391%U491.5+21; 基于传统深度学习技术实现的道路交通标志识别系统通常遵从完全数据驱动模式,导致它们在真实世界的开放场景中存在性能不稳定和极大的安全隐患.为缓解该问题,提出一种基于道路交通标志设计标准的语义数据集构建方法,并利用零样本学习机制设计一个通用的具备推理能力和可解释性的道路交通标志识别框架,其能够有效应对实践中面临的道路交通标志的动态更新和类别缺失问题.利用国家道路交通标志制定标准来抽象出所有类别的通用属性,并将这些属性信息作为领域知识注入传统数据驱动模型的训练过程中.在领域知识的帮助下,所提基于零样本学习的交通标志识别方法能够比随机预测和传统深度学习模型更准确地识别出训练阶段未见过的交通标志.在中国交通标志数据库(Chinese traffic sign database,CTSDB)和德国交通标志识别基准数据集(German traffic sign recognition benchmark,GTSRB)上的实验结果表明,采用所提方法进行训练后,语义自编码模型在传统零样本学习的设定下,对于训练阶段未曾见过的交通标志的识别准确率分别比随机预测提升了至少29.96%和24.25%.
ISSN:1000-2618
DOI:10.3724/SP.J.1249.2023.03258