論文の概要: Squeeze-Aware-YOLO: Early Channel Recalibration and Multi-Scale Fusion for Real-Time Traffic Sign Detection

• arxiv url: http://arxiv.org/abs/2610.15604v1
• Date: Sun, 11 Oct 2026 13:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:42:02.191897
• Title: Squeeze-Aware-YOLO: Early Channel Recalibration and Multi-Scale Fusion for Real-Time Traffic Sign Detection
• Title（参考訳）: Squeeze-Aware-YOLO:リアルタイム交通信号検出のための早期チャネル校正とマルチスケール融合
• Abstract要約: 交通標識検出はインテリジェント交通システムにおいて重要な役割を担い、運転支援システムや自動運転車を支援している。 本研究では,異なるサイズの畳み込みカーネルとSqueeze-and-Excitation機構を組み合わせた軽量な信号信号検出フレームワークであるSqueeze-Aware-YOLOを提案する。 提案手法は,バングラデシュ交通信号検出データセット,中国交通信号検出ベンチマーク2021,ドイツ交通信号検出ベンチマークを用いて評価し,それぞれ74.7%,79.4%,84.0%のmAP@0.5スコアを得た。
• 参考スコア（独自算出の注目度）: 2.8988539381054905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic sign detection plays a vital role in intelligent transportation systems, supporting the safe operation of advanced driver assistance systems and autonomous vehicles. Despite significant progress in real-time object detection, accurately identifying traffic signs under challenging conditions remains difficult. Variations in lighting, adverse weather, motion blur, and partial occlusion often reduce detection performance, especially for small or visually degraded signs where important spatial information can be lost. To address these challenges, we propose Squeeze-Aware-YOLO, a lightweight traffic sign detection framework that introduces a multi-branch bottleneck module combining convolutional kernels of different sizes with a Squeeze-and-Excitation mechanism to improve feature extraction and adaptive channel weighting. In addition, we integrate the Multi-Branch Auxiliary Feature Pyramid Network and Re-parameterized Heterogeneous Multi-Scale modules to strengthen multi-scale feature representation and feature fusion while preserving real-time inference efficiency for practical deployment. The proposed approach is evaluated on the Bangladeshi Traffic Sign Detection Dataset, the CSUST Chinese Traffic Sign Detection Benchmark 2021, and the German Traffic Sign Detection Benchmark, achieving mAP@0.5 scores of 74.7%, 79.4%, and 84.0%, respectively, while consistently outperforming recent state-of-the-art YOLO-based traffic sign detectors. These findings demonstrate that combining multi-scale receptive fields, channel attention, and enhanced feature fusion enables more accurate and robust traffic sign detection while maintaining the computational efficiency required for real-world deployment.
• Abstract（参考訳）: 交通標識検出はインテリジェント交通システムにおいて重要な役割を担い、高度な運転支援システムと自動運転車の安全な運転を支援する。 リアルタイム物体検出の大幅な進歩にもかかわらず、困難な条件下での交通標識の正確な識別は依然として困難である。 照明、悪天候、動きのぼけ、部分閉塞などの変化は検出性能を低下させることが多く、特に重要な空間情報が失われる小さな、あるいは視覚的に劣化した兆候に対してである。 これらの課題に対処するために、Squeeze-Aware-YOLOという、異なるサイズの畳み込みカーネルとSqueeze-and-Excitation機構を組み合わせたマルチブランチボトルネックモジュールを導入し、特徴抽出と適応チャネル重み付けを改善する軽量な信号信号検出フレームワークを提案する。 さらに,マルチブランチ・補助的特徴ピラミッドネットワークと再パラメータ化ヘテロジニアス・マルチスケールモジュールを統合し,マルチスケール特徴表現と特徴融合を強化し,実運用におけるリアルタイム推論効率の維持を図る。 提案手法はバングラデシュの交通信号検出データセット、中国交通信号検出ベンチマーク2021、ドイツ交通信号検出ベンチマークで評価され、それぞれ74.7%、79.4%、84.0%のmAP@0.5スコアが得られた。 これらの結果から,マルチスケールの受容場,チャネルアテンション,拡張機能融合を組み合わせることで,実世界の展開に必要な計算効率を維持しつつ,より正確でロバストな交通信号の検出が可能になることが示唆された。

関連論文リスト

• Multi-Modal Traffic Sign Detection with Semantic Attributes for Autonomous Driving [36.63134402686799]
  視覚に基づく手法は、国間での多様性の高さによる地域間一般化の低さ、長距離での小さな物体検出における劣化性能、車両が標識に近づくと生じる強い非線形の視点歪みの下での脆弱な時間的追跡の3つの基本的な限界に直面している。 Intensity-Aware Deformable Fusionモジュールは、反射反射型LiDARキューとカメラの特徴を一致させ、領域固有の視覚的外観ではなく幾何学的不変量をアンカーするマルチモーダル検出フレームワークを提案する。 60以上の国にまたがるデータセットと2500時間以上の運転データに対する大規模な評価は、提案したパイプラインがオブジェクトミス比(Object Miss Ratio)を達成したことを示している。
  論文  参考訳（メタデータ） (2026-08-21T08:51:39Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Traffic Co-Simulation Framework Empowered by Infrastructure Camera Sensing and Reinforcement Learning [5.942910148207331]
  マルチエージェント強化学習(MARL)は、反復シミュレーションを用いて、ネットワーク内の信号機の制御戦略の学習に特に有効である。 本研究では,高忠実度3次元モデリングと大規模交通流シミュレーションを組み合わせたCARLAシミュレートとSUMOを組み合わせた協調シミュレーションフレームワークを提案する。 実時間カメラを用いた交通状況検出におけるMARL手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-05T07:01:56Z)
• YOLO-TS: Real-Time Traffic Sign Detection with Enhanced Accuracy Using Optimized Receptive Fields and Anchor-Free Fusion [15.571409945909243]
  本稿では,新しいリアルタイムかつ効率的な道路標識検出ネットワーク YOLO-TS を提案する。 このネットワークは,マルチスケール特徴写像の受容場を最適化することにより,性能を著しく向上させる。 我々の革新的な機能融合戦略は、アンカーフリー手法の柔軟性を活用し、精度と速度の両面で顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-10-22T16:19:55Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Improved YOLOv5 network for real-time multi-scale traffic sign detection [4.5598087061051755]
  本稿では,アダプティブアテンションモジュール (AAM) と機能拡張モジュール (FEM) を利用して特徴マップ生成の過程での情報損失を低減する機能ピラミッドモデル AF-FPN を提案する。 YOLOv5の本来の特徴ピラミッドネットワークをAF-FPNに置き換え、YOLOv5ネットワークのマルチスケールターゲットの検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-12-16T11:02:12Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。