MFL-YOLO：损坏交通标志的对象检测模型(国外文献)

人工智能_SYBH

于 2023-10-16 23:31:55 发布

阅读量342

点赞数

分类专栏： 2025年机器学习&深度学习千例文章标签： YOLO 人工智能深度学习 python 目标跟踪神经网络计算机视觉

本文链接：https://blog.youkuaiyun.com/m0_68036862/article/details/133868895

版权

2025年机器学习&深度学习千例专栏收录该内容

1148 篇文章 ¥99.90 ¥299.90

订阅专栏

本文提出了一种名为MFL-YOLO的改进YOLOv5s模型，专门用于检测破损交通标志。通过设计跨层损失函数，增强不同特征层的多样性和判别性，提高了检测精度和细粒度特征的学习。MFL-YOLO在F1和mAP上取得了优于YOLOv5s的成绩，同时减少了计算复杂度，适用于资源有限的移动设备。实验表明，模型在破损交通标志的局部细节检测上表现出色，具有良好的泛化能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

交通标志是保证交通安全和畅通交通的重要设施，但可能因多种原因损坏，构成极大的安全隐患。因此，研究一种检测损坏交通标志的方法非常重要。现有的用于损坏交通标志的物体检测技术仍然不存在。由于损坏的交通标志在外观上更接近正常交通标志，因此使用传统的物体检测方法很难捕获损坏交通标志的详细局部损坏特征。在本文中，我们提出了一种基于YOLOv5s的改进目标检测方法，即MFL-YOLO（互特征水平损失增强YOLO）。我们设计了一个简单的跨级损失函数，使模型的每个层次都有自己的作用，有利于模型能够学习更多样化的特征，提高细粒度。该方法可作为即插即用模块应用，在提高精度的同时，不会增加结构复杂度或计算复杂度。我们还在YOLOv5s的颈部用GSConv和VoVGSCSP取代了传统的卷积和CSP，以降低规模和计算复杂性。与 YOLOv5 相比，我们的 MFL-YOLO 在 F1 分数和 mAP 方面分别提高了 4.3 和 5.1，同时将 FLOP 降低了 8.9%。Grad-CAM 热图可视化显示，我们的模型可以更好地关注受损交通标志的局部细节。此外，我们还对CCTSDB2021和TT100K进行了实验，以进一步验证我们模型的泛化。

摘要——交通标志是保证交通安全、畅通的重要设施，但由于诸多原因可能会损坏，构成极大的安全隐患。因此，研究一种破损交通标志检测方法具

了解本专栏