A GPU-accelerated Large-scale Simulator for Transportation System Optimization Benchmarking
Tsinghua University（清华大学）
本文提出首个开源 GPU 加速大规模微观交通仿真器，提升超大规模车辆场景仿真效率与真实性，并通过多城市多场景基准验证其优化支持能力。
2024-10-02 cs.AI cs.LG
LoRFT: Benchmarking Long-Range Vehicle Trajectory Reconstruction from Fixed Highway Cameras
School of Transportation, Changsha University of Science and Technology（长沙理工大学交通运输工程学院）
研究针对从固定高速公路摄像头恢复长距离车辆轨迹的难题，提出Map-RSTNet模型，引入LoRFT基准测试。实验表明该模型能有效降低误差，证明道路几何感知重建的有效性，为长距离车辆轨迹重建提供了可重复测试平台。
2026-07-23 cs.CV
STEP: Structured Training and Evaluation Platform for benchmarking trajectory prediction models
Delft University of Technology（代尔夫特理工大学）
本文提出结构化训练与评估平台 STEP，通过统一多数据集接口和一致实验条件，揭示现有测试流程局限、联合建模重要性及模型脆弱性，推动轨迹预测评估从排行榜转向深层行为与泛化分析。
2025-09-18 cs.LG
Benchmarking Autonomous Driving Planners Across Leaderboards: A Unified CARLA-Based Evaluation
University of Southern California（南加州大学）
本文以CARLA leaderboard v2.0为统一平台，比较分析CARLA、nuPlan与Waymo Open Dataset三大排行榜中的运动规划方法，揭示其优劣、趋势与挑战。
2026-09-21 cs.AI cs.CV cs.RO
A Multimodal, Full-Surround Vehicular Testbed for Naturalistic Studies and Benchmarking: Design, Calibration and Deployment
UC San Diego（加州大学圣地亚哥分校）；Toyota Collaborative Safety Research Center（丰田协作安全研究中心）
自动驾驶和半自动驾驶的最新进展部分是通过各种传感器实现的，这些传感器为智能代理提供了对其周围环境的增强感知。一段时间以来，人们已经很清楚，要使智能车辆在所有情况和条件下有效运行，不同传感器技术的融合是必不可少的。因此，同步的多传感器数据流的可用性是必要的，以促进低，中，高层次的语义任务的基于融合的算法的发展。在本文中，我们对LISA-A进行了全面的描述：我们的高度传感化的全环绕测试平台能够从一系列同步和校准的传感器（如相机，激光雷达，雷达和IMU/GPS）中提供高质量的数据。该车辆记录了超过100小时的真实世界数据，用于各种天气，交通和日光条件。所有捕获的数据都使用时间戳进行精确校准和同步，并安全存储在安装在车辆内部的高性能服务器中。本文详细介绍了试验台的仪器仪表、传感器布局、传感器输出、校准和同步。
2019-01-30 cs.CV
Real-Time Traffic Sign Detection: A Case Study in a Santa Clara Suburban Neighborhood
Cupertino High School（库比蒂诺高中）；University of Connecticut（康涅狄格大学）
本研究基于YOLOv5构建实时交通标志检测系统，在郊区驾驶场景中实现96%检测准确率，为道路安全和自动驾驶研究提供支持。
2023-10-14 cs.CV cs.LG
Redesigning Traffic Signs to Mitigate Machine-Learning Patch Attacks
Tel Aviv University（特拉维夫大学）
针对自动驾驶中交通标志识别模型易受对抗补丁攻击的问题，提出通过重新设计交通标志的符号与颜色来提升模型对抗鲁棒性的框架，鲁棒准确率最高提升24.58%且不影响人类识别。
2025-08-31 cs.AI cs.CR cs.CV
Reproducible LLM Inference Benchmarking: A Sequential Isolation Protocol for Regression Testing
Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学）；Microsoft（微软）；Uthereal AG；ETH Zurich（苏黎世联邦理工学院）
提出顺序隔离协议，通过控制并发变化降低LLM推理基准测试方差，将平均CV从15.2%降至2.2%，并支持回归测试与成本建模。
2026-10-08 cs.LG cs.PF
Drift-Based Dataset Stability Benchmark
Czech Technical University in Prague（捷克技术大学布拉格分校）；CESNET
本文提出了一种基于概念漂移检测的方法，用于评估数据集稳定性并提供基准工作流程，以比较不同数据集的稳定性及优化影响。
2025-12-28 cs.AI cs.LG cs.NI
Localized Traffic Sign Detection with Multi-scale Deconvolution Networks
University of Shanghai for Science and Technology（上海理工大学）；Fudan University（复旦大学）
自动驾驶正在成为一种未来实用的生活方式，深度学习在很大程度上推动了这种生活方式。具体来说，通过深度学习进行有效的交通标志检测对交通标志识别起着至关重要的作用。然而，不同国家的交通标志设置不同，使得本地化的交通标志识别模型训练成为一项繁琐而艰巨的任务。针对交通标志定位识别算法复杂、计算量大、模糊和亚像素图像检测率低的问题，提出了多尺度反卷积网络（MDN），将多尺度卷积神经网络与反卷积子网络灵活结合，实现了高效可靠的交通标志定位识别模型训练。在中国交通标志数据集（CTSD）和德国交通标志基准测试（GTSRB）上的实验结果表明，与经典算法相比，MDN是有效的.
2018-05-03 cs.CV
The Mapillary Traffic Sign Dataset for Detection and Classification on a Global Scale
Mapillary（Mapillary公司）
在自动驾驶和智能城市时代，交通标志是全球必不可少的地图特征。为了开发准确和鲁棒的交通标志检测和分类算法，需要大规模和多样化的基准数据集。在本文中，我们介绍了一个由世界各地10万张街道级图像组成的交通标志基准数据集，该数据集封装了不同的场景、广泛的地理位置覆盖范围以及不同的天气和照明条件，并涵盖了300多个手动注释的交通标志类。该数据集包括52K完全注释的图像和48K部分注释的图像。这是最大和最多样化的交通标志数据集，由来自世界各地的图像组成，具有交通标志类的细粒度注释。我们已经进行了大量的实验，为检测和分类任务建立了强大的基线。此外，我们已经验证了该数据集的多样性，使有效的迁移学习现有的大规模基准数据集的交通标志检测和分类。该数据集可免费用于学术研究：https://www.mapillary.com/dataset/trafficsign。
2020-05-07 cs.CV
Traffic Sign Detection and Recognition for Autonomous Driving in Virtual Simulation Environment
University of Washington（华盛顿大学）
本研究开发了一种基于RetinaNet的交通标志检测与识别算法。改进了两个主要方面以提高交通标志的检测：图像裁剪以解决大图像和小交通标志的问题;以及使用更多具有各种尺度的锚点来检测不同大小和形状的交通标志。在虚拟仿真环境中，对所提出的算法进行了训练，并在一系列自动驾驶前视图像中进行了测试。实验结果表明，该算法在光照和天气条件良好的情况下表现非常好。它的缺点是，它有时无法检测对象在恶劣的天气条件下，如雪和无法区分限速标志与不同的限制值。
2019-10-27 cs.CV eess.IV
Total Recall: Understanding Traffic Signs using Deep Hierarchical Convolutional Neural Networks
Center for Cognitive Skill Enhancement（认知技能提升中心）；Independent University Bangladesh（孟加拉国独立大学）
使用智能系统识别交通标志可以大大减少全球范围内发生的事故数量。随着自动驾驶汽车的到来，解决主要街道上交通和手持标志的自动识别已成为一个主要挑战。已经提出了各种机器学习技术，如随机森林、SVM以及深度学习模型，用于对交通标志进行分类。虽然它们在特定的数据集上达到了最先进的性能，但在处理多个交通标志识别基准方面却有所欠缺。在本文中，我们提出了一种新颖的和一个为所有的架构，aces多个基准更好的整体得分比国家的最先进的架构。我们的模型是由残留卷积块与分层扩张跳跃连接加入步骤。在德国标志识别基准测试中，我们获得了99.33%的准确率，在比利时交通标志分类基准测试中，我们获得了99.17%的准确率。此外，我们提出了一个新设计的扩张残差学习表示技术，这是非常低的内存和计算复杂性。
2018-10-26 cs.CV
Pyramid Transformer for Traffic Sign Detection
Iran University of Science and Technology（伊朗科技大学）
交通标志检测是自动驾驶汽车视觉系统和自动驾驶系统中的一项重要任务。最近，新的基于transformer的模型在各种计算机视觉任务中取得了令人鼓舞的结果。我们仍然观察到，vanilla ViT在交通标志检测中不能产生令人满意的结果，因为数据集的总体大小非常小，并且交通标志的类别分布非常不平衡。为了克服这个问题，本文提出了一种新的金字塔Transformer与本地机制。具体来说，Pyramid Transformer具有多个空间金字塔缩减层，通过使用atrous卷积将输入图像收缩并嵌入到具有丰富多尺度上下文的令牌中。此外，它继承了一个内在的规模不变性归纳偏见，并能够学习在各种尺度的对象的局部特征表示，从而提高网络的鲁棒性对交通标志的大小差异。在德国交通标志检测基准（GTSDB）上进行实验。实验结果表明了该模型在交通标志检测任务中的优越性。更具体地说，当应用于级联RCNN作为主干时，Pyramid Transformer在GTSDB上实现了77.8%的mAP，这超过了大多数众所周知和广泛使用的最先进的模型。
2022-07-22 cs.CV
AccidentBench: Benchmarking Multimodal Understanding and Reasoning in Vehicle Accidents and Beyond
UC Berkeley（伯克利大学）；Stanford（斯坦福大学）；UCL（伦敦大学学院）；Virginia Tech（弗吉尼亚理工学院）；Nvidia（英伟达公司）
.本研究提出大规模多模态基准AccidentBench，覆盖车辆事故及空、水安全场景的时空与意图推理任务，测试发现前沿模型在高难长视频任务上准确率仅约18%，可推动模型适配真实安全挑战。
2025-09-30 cs.LG
Traffic Sign Recognition Using Local Vision Transformer
Iran University of Science and Technology（伊朗科技大学）
本文提出一种融合卷积块和Transformer块并加入局部模块的混合模型，用于交通标志识别，在德国和波斯数据集上分别达到99.66%和99.8%的准确率，优于现有模型且推理速度快。
2023-11-11 cs.CV
One Perception, All Maneuvers: Directional Traffic Signal Understanding for Maneuver-Level Signal Intent Prediction
本文提出方向性交通信号理解任务，从单前视图像预测各操作（直行、左右转、掉头）的信号颜色与可通行性，并构建方向级基准与基线，实验证明其优于现有方法，为下游规划提供直接接口。
2026-09-29 cs.CV
SignEye: Traffic Sign Interpretation from Vehicle First-Person View
HKPU（香港理工大学）；NWPU（西北工业大学）；HKUST（香港科技大学）；TeleAI（腾讯天衍实验室）；HKU（香港大学）
提出基于车辆第一视角的交通标志解释（TSI-FPV）任务及交通引导助手（TGA）应用，构建分步推理流水线SignEye与数据集Traffic-CN，实验证明其能有效为自动驾驶系统提供补充信息。
2024-11-18 cs.CV
TrafficSignBench: Rule-Centric Closed-Loop Evaluation of Traffic-Sign Compliance in Autonomous Driving
Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；FusionBrain Lab（FusionBrain实验室）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；HSE University（高等经济大学）；Innopolis University（因诺波利斯大学）；NUST MISIS（国立研究型技术大学莫斯科国立钢铁合金学院）
针对现有自动驾驶评估忽视交通规则合规性的问题，提出以交通标志为中心的基准TrafficSignBench，通过34种规则和5,800个场景评估规划器，并利用约束生成轨迹以提升合规性。
2026-10-01 cs.CV cs.RO
Benchmarking Nighttime Traffic Sign Recognition with Illumination-Adaptive Detection and Semantic Attribute Reasoning
IISER Bhopal（印度比哈尔州国际研究学院）
本文提出INTSD数据集和LENS-Net算法，解决夜间交通标志识别中的低光照和干扰问题，通过大规模数据和先进模型验证了夜间识别的挑战与方法。
2026-07-15 cs.CV cs.CY
Benchmarking Tesla's Traffic Light and Stop Sign Control: Field Dataset and Behavior Insights
Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系）；Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系）；School of Environmental, Civil, Agricultural and Mechanical Engineering, University of Georgia（佐治亚大学环境、土木、农业与机械工程学院）
本文通过现场数据集和行为分析，研究特斯拉交通灯和停止标志控制的互动行为，揭示了跟车阈值及不同行为模式的校准结果，为ADAS与交通控制设备的交互逻辑设计提供基础。
2025-10-31 cs.CV cs.HC cs.RO
Benchmarking multi-component signal processing methods in the time-frequency plane
Université de Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；Nantes Université（南特大学）
本文提出开源Python工具箱MCSM-Benchs，在三个时频基准上系统比较了基于spectrogram零点、大值及脊线的信号检测与去噪方法，为时频信号处理提供了通用基准测试框架。
2024-02-13 cs.SD eess.AS eess.SP
Beyond Scene Priors: Fine-Grained Traffic Scene Reasoning with Benchmarking and Query-Guided Small-Object Focus
The University of Hong Kong（香港大学）；Sun Yat-Sen University（中山大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对安全关键交通场景中复杂问题，提出细粒度交通推理基准FGTR - Bench和文本引导小目标推理MLLM（TSR - MLLM），解决视觉语言对齐中关键小目标被忽视问题，提升模型性能。
2026-07-07 cs.CV
RoadSceneVQA: Benchmarking Visual Question Answering in Roadside Perception Systems for Intelligent Transportation System
RoadSceneVQA 通过大规模标注数据和 CogniAnchor 融合模块，提升多模态大语言模型在交通感知与推理任务中的性能。
2025-12-26 cs.CV
SUTD-TrafficQA: A Question Answering Benchmark and an Efficient Network for Video Reasoning over Traffic Events
Singapore University of Technology and Design（新加坡科技设计大学）
视频中的交通事件认知和推理是一项重要任务，在智能交通、辅助驾驶和自动驾驶汽车等领域有着广泛的应用。在本文中，我们创建了一个新的数据集，SUTD-Question QA（Traffic问答），它采用视频QA的形式，基于收集的10，080个野外视频和注释的62，535个QA对，用于对复杂交通场景中因果推理和事件理解模型的认知能力进行基准测试。具体而言，我们提出了6个具有挑战性的推理任务，对应于各种交通场景，以评估推理能力在不同类型的复杂而实际的交通事件。此外，我们提出了Eclipse，一种新的高效的一瞥网络，通过动态推理，以实现计算效率和可靠的视频推理。实验表明，我们的方法实现了优越的性能，同时大大降低了计算成本。项目页面：https://github.com/SUTDCV/SUTD-TrafficQA。
2021-07-06 cs.CV
PSI: A Benchmark for Human Interpretation and Response in Traffic Interactions
Tulane University（路易斯安那州立大学）；Purdue University（普渡大学）；North Carolina State University（北卡罗来纳州立大学）；Toyota Motor North America（丰田美国公司）
PSI基准通过捕捉行人过马路意图的动态变化，结合人类文本解释，为开发可解释且符合人类认知的自动驾驶系统提供支持。
2026-04-23 cs.AI cs.CV
AUTOPILOT VQA: Benchmarking Vision-Language Models for Incident-Centric Dashcam Understanding
University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；University of Michigan（密歇根大学）；University of Notre Dame（圣母大学）
针对评估视觉语言模型对安全关键事件推理能力的挑战，提出AUTOPILOT-VQA基准，通过围绕真实驾驶事件的结构化问题评估系统，涵盖多安全相关类别，推动向安全意识推理发展，为自动驾驶系统评估提供标准，助力相关视觉语言系统开发。
2026-07-10 cs.AI cs.CV
RIECNN: Real-Time Image Enhanced CNN for Traffic Sign Recognition
Cairo University（开罗大学）
本文提出RIECNN模型，可处理多类交通标志数据集，在GTSRB、BTSC、rMASTIF基准上均达最高识别率，兼具实时性能与抗环境干扰鲁棒性。
2026-10-14 cs.AI cs.CV cs.LG
LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions
Beihang University（北京航空航天大学）；Data Space Research Institute of Hefei Comprehensive National Science Centre（合肥综合性国家科学中心数据空间研究院）；National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）
本文提出首个车道检测环境幻觉鲁棒性基准LanEvil，包含14种幻觉类型和90,292张图像，发现主流方法性能显著下降，并提出了注意力区域混合（AAM）防御方法。
2024-07-16 cs.CV
CueCAn: Cue Driven Contextual Attention For Identifying Missing Traffic Signs on Unconstrained Roads
IIIT Hyderabad（印度海得拉巴国际信息技术学院）；IIT Mandi（印度理工学院曼迪分校）
亚洲道路不受限制，往往涉及基础设施薄弱，影响整体道路安全。这些道路上经常会有交通标志缺失的情况。研究了道路场景图像中缺失或不存在的目标检测，用于定位缺失的路缘石和估计行人的合理区域。这些方法涉及分析特定于任务的单个对象线索。在本文中，我们提出了第一个也是最具挑战性的丢失对象的视频数据集，其中包含多种类型的交通标志，这些交通标志的线索在场景中没有标志的情况下是可见的。我们将其称为缺失交通标志视频数据集（MTSVD）。MTSVD与以前的工作相比在两个方面具有挑战性：i）交通标志通常不存在于其提示附近，ii）交通标志提示是多样的和独特的。此外，MTSVD是第一个公开可用的缺失对象数据集。为了训练识别丢失标志的模型，我们用10K个交通标志轨迹补充了我们的数据集，其中40%的交通标志在场景中有可见的线索。为了识别丢失的标志，我们提出了提示驱动的上下文注意力单元（CueCAn），并将其纳入我们的模型编码器中。我们首先训练编码器对交通标志提示的存在进行分类，然后训练整个分割模型端到端地定位丢失的交通标志。定量和定性分析表明，CueCAn显着提高基础模型的性能。
2023-03-05 cs.AI cs.CV
Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition
Hokkaido University（北海道大学）；Education and Research Center for Mathematical and Data Science, Hokkaido University（北海道大学数学与数据科学教育研究中心）
本研究提出基于多模态大语言模型的跨域少样本上下文学习方法，结合交通标志检测提取模块与模板描述文本增强细粒度识别能力，无需大规模标注数据即可显著提升多场景交通标志识别性能。
2024-07-08 cs.AI cs.CV cs.MM
Traffic Sign Interpretation in Real Road Scene
NWPU（西北工业大学）；Shanghai AI Lab（上海人工智能实验室）
本文提出交通标志解读（TSI）任务及多任务学习架构，将场景中语义关联的交通标志解读为自然语言，并构建了真实道路数据集TSI-CN，实验验证了该任务与架构的有效性。
2023-11-28 cs.AI cs.CV
Deep Learning for Large-Scale Traffic-Sign Detection and Recognition
Faculty of Computer and Information Science, University of Ljubljana（卢布尔雅那大学计算机与信息科学学院）
交通标志的自动检测与识别在交通标志库存管理中起着至关重要的作用。它提供了准确和及时的方式来管理交通标志库存以最小的人力。在计算机视觉领域，交通标志的识别和检测是一个研究得很好的问题。绝大多数现有方法在高级驾驶员辅助和自动驾驶系统所需的交通标志上表现良好。然而，这代表了所有交通标志中相对较少的数量（几百个类别中的大约50个类别），并且需要消除交通标志库存管理中的手工劳动的剩余交通标志集的性能仍然是一个悬而未决的问题。在本文中，我们解决的问题，检测和识别大量的交通标志类别适合自动化的交通标志库存管理。我们采用卷积神经网络（CNN）方法，即Mask R-CNN，通过自动端到端学习来解决检测和识别的完整管道。我们提出了几个改进的交通标志的检测进行评估，并导致提高整体性能。这种方法适用于检测200交通标志类别表示在我们的新数据集。结果报告高度具有挑战性的交通标志类别，尚未被认为是在以前的作品。我们提供了全面的分析的深度学习方法检测的交通标志与大类内外观变化，并显示低于3%的出错率与所提出的方法，这是足够的部署在实际应用中的交通标志库存管理。
2019-04-01 cs.CV
Adversarial Attacks on Traffic Sign Recognition: A Survey
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文综述针对交通标志检测与分类模型的数字及真实世界对抗攻击研究，梳理最新进展并指出未来需深入探索的方向。
2023-07-17 cs.CR cs.CV cs.LG
Towards Real-time Traffic Sign and Traffic Light Detection on Embedded Systems
University of Moratuwa（莫拉图瓦大学）
交通标志和交通灯检测的最新研究集中在提高复杂场景下的检测精度，但很多研究都不能提供实时的【形】性能，特别是在计算资源有限的情况下。在这项工作中，我们提出了一个简单的基于深度学习的端到端检测框架，有效地解决了交通标志和交通灯检测固有的挑战，如小尺寸，大量的类和复杂的道路场景。我们使用TensorRT优化检测模型，并与Robot操作系统集成，以部署在Nvidia Jetson AGX Xavier上作为我们的嵌入式设备。整个系统达到了每秒63帧的高推理速度，证明了我们的系统的实时的【形】执行能力。此外，我们还介绍了CeyRo，这是斯里兰卡第一个大规模的交通标志和交通灯检测数据集。我们的数据集由7984张图像和10176个交通标志和交通灯实例组成，涵盖70个交通标志和5个交通灯类。这些图像具有1920 x 1080的高分辨率，并在不同的天气和照明条件下捕捉各种具有挑战性的道路场景。我们的工作在https://github.com/oshadajay/CeyRo上公开。
2022-05-05 cs.CV
Traffic Sign Timely Visual Recognizability Evaluation Based on 3D Measurable Point Clouds
Xiamen University（厦门大学）；Xizang Minzu University（西藏民族大学）；University of Waterloo（滑铁卢大学）
及时向驾驶员提供交通标志信息对于驾驶员做出反应、确保安全驾驶、及时避免交通事故的发生至关重要。提出了一种大规模交通环境下交通标志实时视觉可识别性定量评价方法。为了实现这一目标，我们首先解决的概念，可见性领域反映可见分布的三维（3D）空间和构建一个交通标志可见性评估模型（VEM）来衡量交通标志的可见性为一个给定的观点。在此基础上，提出了视觉可识别性场（VRF）的概念来反映三维空间中视觉可识别性的分布，并建立了视觉可识别性评价模型（VREM）来衡量交通标志在给定视点下的视觉可识别性。其次，提出了一种交通标志实时视觉可识别性评价模型（TSTVREM），该模型结合VREM、实际最大连续视觉可识别距离和交通大数据来衡量交通标志在不同车道上的视觉可识别性。最后，通过交通标志和道路标线的检测与分类、交通标志环境点云分割、视点计算、TSTVREM模型的实现，提出了TSTVREM模型的自动实现算法。采用移动激光扫描系统（RIEGL VMX-450）采集的3个道路点云数据，根据《道路交通标志与标线》（GB 5768 - 1999）标准对该方法进行了实时视觉可识别性评价，结果表明该方法是可行和有效的。
2017-10-10 cs.CV
Data augmentation with Symbolic-to-Real Image Translation GANs for Traffic Sign Recognition
Hochschule Bonn-Rhein-Sieg（波恩-莱茵-锡格应用技术大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
交通标志识别是许多先进驾驶辅助系统的重要组成部分，也是完全自动驾驶所必需的。计算性能通常是使用大规模神经网络用于此目的的瓶颈。SqueezeNet是一个很好的候选交通标志的高效图像分类，但在我们的实验中，它没有达到高精度，我们认为这是由于缺乏数据，需要数据增强。生成对抗网络可以学习经验数据的高维分布，从而生成新的数据点。在本文中，我们应用pix 2 pix GANs架构来生成新的交通标志图像，并评估这些图像在数据增强中的使用。由于条件GANs中的模式坍塌，我们有动机使用pix 2 pix将符号图像转换为真实图像。通过我们的实验，我们发现使用GAN的数据增强可以将圆形交通标志的分类准确率从92.1%提高到94.0%，将三角形交通标志的分类准确率从93.8%提高到95.3%，总体提高了2%。然而，一些传统的增强技术可以优于GAN数据增强，例如圆形交通标志的对比度变化（95.5%）和三角形交通标志的位移（96.7%）。我们的负面结果表明，虽然GANs可以天真地用于数据增强，但它们并不总是最佳选择，这取决于问题和数据的可变性。
2019-07-17 cs.CV cs.LG stat.ML
Benchmarking UAV-based Vehicle Re-Identification under Simulated Weather Conditions
UIT
研究在模拟天气条件下基于无人机的车辆重识别，通过对CLIP-ReID、MSINet和AdaSP三种方法在VRU和UAV-VeID基准测试，发现恶劣天气降检索性能，AdaSP鲁棒性最强，凸显天气感知模型设计及评估协议的必要。
2026-07-14 cs.CV
Voice-Assisted Real-Time Traffic Sign Recognition System Using Convolutional Neural Network
University of Sri Jayewardenepura（斯里贾亚瓦德纳普拉大学）
本研究针对交通标志识别实时性与准确性不足的问题，提出由CNN检测识别和语音播报子系统构成的语音辅助实时交通标志识别系统，可辅助驾驶员并助力自动驾驶研发。
2024-04-11 cs.CV
Detection of the Group of Traffic Signs with Central Slice Theorem
Harman/Becker Automotive Systems（哈曼/贝克汽车系统公司）
我们的传感器系统由光子混合器设备- PMD和单色光学相机的组合组成。有些交通标志有45度的条纹。这些交通标志取消了道路上的各种限制。我们用Radon变换检测这类符号。在这里，Radon变换使用中心切片定理计算。我们用离散余弦变换（DCT）来近似频谱切片。
2019-08-04 cs.CV
Simultaneous Traffic Sign Detection and Boundary Estimation using Convolutional Neural Network
Qualcomm Technologies Inc.（高通技术公司）
我们提出了一种新的交通标志检测系统，同时使用卷积神经网络（CNN）估计的位置和精确的边界的交通标志。在智能车辆导航系统中，交通标志可以作为道路环境的三维地标，因此准确估计交通标志的边界是非常重要的。以前的交通标志检测系统，包括最近的基于CNN的方法，只提供交通标志的边界框作为输出，因此需要额外的过程，如轮廓估计或图像分割，以获得精确的标志边界。在这项工作中，交通标志的边界估计制定为一个2D姿态和形状类预测问题，这是有效地解决了一个单一的CNN。利用输入图像中的目标交通标志的预测的2D姿态和形状类，通过将对应的模板标志图像的边界投影到输入图像平面中来估计目标标志的实际边界。通过将边界估计问题公式化为基于CNN的姿势和形状预测任务，我们的方法是端到端可训练的，并且比依赖于轮廓估计或图像分割的其他边界估计方法对遮挡和小目标更鲁棒。所提出的方法与架构优化提供了一个准确的交通标志边界估计，这也是有效的计算，显示检测帧速率高于7帧每秒的低功耗移动平台。
2018-02-27 cs.CV
A Hierarchical Deep Architecture and Mini-Batch Selection Method For Joint Traffic Sign and Light Detection
University Of Waterloo（滑铁卢大学）
自动驾驶汽车上的交通灯和标志检测器是道路场景感知不可或缺的组成部分。文献中有大量的深度学习网络可以检测灯光或标志，而不是两者兼而有之，这使得它们不适合实际部署，因为嵌入式系统上的图形处理单元（GPU）内存和电源有限。这个问题的根本原因是没有一个公共数据集同时包含交通灯和标志标签，这导致开发联合检测框架的困难。我们提出了一个深度分层架构，结合小批量建议选择机制，允许网络从单独的交通灯和标志数据集的训练中检测交通灯和标志。我们的方法解决了一个数据集的实例在另一个数据集中没有标记的重叠问题。我们是第一个提出对交通信号灯和标志进行联合检测的网络。我们在清华-腾讯100 K交通标志检测基准和博世小型交通灯检测基准上对我们的网络进行了测试，结果表明它优于现有的博世小型交通灯最先进的方法。我们专注于自动驾驶汽车的部署，并表明我们的网络比其他网络更适合，因为它的内存占用量低，实时图像处理时间短。定性结果可在https://youtu.be/_YmogPzBXOw上查看
2018-09-13 cs.CV
Traffic Signs in the Wild: Highlights from the IEEE Video and Image Processing Cup 2017 Student Competition [SP Competitions]
强大而可靠的交通标志检测是将自动驾驶汽车带到道路上的必要条件。国家的最先进的算法成功地执行交通标志检测现有的数据库，大多缺乏严重的挑战性条件。2017年VIP杯比赛的重点是在具有挑战性的条件下检测此类交通标志。为了促进这样的任务和竞争，我们引入了一个名为CURE-TSD的视频数据集，其中包括各种具有挑战性的条件。这项挑战的目标是实现交通标志检测算法，可以在这种具有挑战性的条件下稳健地执行。在这篇文章中，我们分享了2017年VIP杯的经验，包括比赛设置，团队，技术方法，参与统计，以及通过决赛团队成员和组织者的眼睛的比赛经验。
2018-11-13 cs.CV
Did You Miss the Sign? A False Negative Alarm System for Traffic Sign Detectors
Queensland University of Technology（昆士兰科技大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）
目标检测是自动驾驶车辆的一个组成部分，用于其安全关键和导航目的。交通标志作为一种对象，在引导这种系统中起着至关重要的作用。然而，如果车辆未能找到任何关键标志，它可能会造成灾难性的故障。在本文中，我们提出了一种方法来识别交通标志已被错误地丢弃的对象检测器。所提出的方法提出了一个警报，当它发现一个失败的对象检测器检测交通标志。这种方法对于在部署阶段评估检测器的性能非常有用。我们训练了一个Single Shot多盒对象检测器来检测交通标志，并使用其内部特征来训练一个单独的假阴性检测器（FND）。在部署期间，FND决定交通标志检测器（TSD）是否错过了标志。我们使用查准率和查全率来衡量FND在两个不同数据集中的准确性。对于80%的召回率，FND在比利时交通标志检测数据集和德国交通标志识别基准数据集中分别达到了89.9%和90.8%的准确率。据我们所知，我们的方法是第一个解决机器人视觉中假阴性检测这一关键方面的方法。这种用于目标检测的故障安全机制可以改善机器人视觉系统在我们日常生活中的参与。
2019-03-15 cs.CV
Efficient Traffic-Sign Recognition with Scale-aware CNN
Beijing University of Technology（北京工业大学）；University of British Columbia（不列颠哥伦比亚大学）；Peking University（北京大学）
本文提出了一种交通标志识别系统（TSR），它可以快速、准确地识别图像中不同大小的交通标志。该系统由两个精心设计的卷积神经网络（CNN）组成，一个用于交通标志的区域建议，一个用于每个区域的分类。在CNN中，提出了一种具有双重多尺度结构的全卷积网络（FCN）来实现尺度不变检测。在建议网络的训练中，采用了一种改进的“在线硬实例挖掘”（OHEM）方案来抑制误报。分类网络融合了多尺度特征作为表示，并采用了“Inception”模块以提高效率。我们评估建议TSR系统及其组件进行了广泛的实验。我们的方法获得$99.88\%$精度和$96.61\%$召回瑞典交通标志数据集（STSD），高于国家的最先进的方法。此外，我们的系统比用于交通标志识别的最先进的深度学习网络更快，更轻量级。
2018-05-31 cs.CV
Road images augmentation with synthetic traffic signs using neural networks
Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；NRU Higher School of Economics（国立研究型大学高等经济学院）
交通标志识别是计算机视觉中的一个研究热点。然而，最先进的方法仅适用于频繁的符号类，这些符号类在训练数据集中得到了很好的表示。我们认为罕见的交通标志检测和分类的任务。我们的目标是通过使用合成训练数据来解决这个问题。这种训练数据是通过在真实照片中嵌入标志的合成图像而获得的。我们提出了三种方法，使合成标志与场景的外观一致。这些方法基于现代生成对抗网络（GAN）架构。我们提出的方法允许真实的嵌入罕见的交通标志类，在训练集中不存在。我们采用变分自编码器对图像中新交通标志的合理位置进行采样。我们证明，使用我们的合成数据与真实数据的混合提高了分类器和检测器的准确性。
2021-01-13 cs.CV
VSSA-NET: Vertical Spatial Sequence Attention Network for Traffic Sign Detection
针对复杂场景中小尺寸交通标志检测难及缺乏上下文信息易生误检的问题，提出一种端到端深度学习方法VSSA-NET，通过多分辨率特征融合网络与垂直空间序列注意力模块提升检测性能。
2019-05-05 cs.CV
TSCLIP: Robust CLIP Fine-Tuning for Worldwide Cross-Regional Traffic Sign Recognition
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Wuhan Polytechnic University（武汉轻工大学）；The Hong Kong University of Science and Technology（香港科技大学）
TSCLIP首次将CLIP对比语言-图像模型应用于全球跨区域交通标志识别，通过构建十源跨区域数据集、定制提示工程和自适应动态权重集成（ADWE）实现鲁棒微调，在获取新知识的同时保持泛化能力。
2025-03-08 cs.CV
Evaluating the Impact of Adversarial Attacks on Traffic Sign Classification using the LISA Dataset
Department of Computer Engineering Benedict College Columbia, SC, USA（计算机工程系 布恩迪克学院 美国哥伦比亚州）；Department of Computer Science Benedict College Columbia, SC, USA（计算机科学系 布恩迪克学院 美国哥伦比亚州）；Department of Civil Engineering Clemson University Clemson, SC, USA（土木工程系 哥伦比亚大学 美国哥伦布州）
本文使用LISA数据集训练CNN分类47种交通标志，评估FGSM和PGD攻击的影响，发现扰动增大导致准确率急剧下降，为真实世界防御机制研究奠定基础。
2025-09-08 cs.CV
Synset Signset Germany: a Synthetic Dataset for German Traffic Sign Recognition
Fraunhofer IOSB（弗劳恩霍夫 IOSB研究所）；Fraunhofer IPA（弗劳恩霍夫 IPA研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出Synset Signset Germany数据集，结合GAN和分析建模方法生成真实交通标志图像，用于提升交通标志识别的鲁棒性和可解释性。
2025-12-05 cs.CV cs.RO
Bangla Sign Language Translation: Dataset Creation Challenges, Benchmarking and Prospects
Islamic University of Technology（伊斯兰技术大学）
本文提出孟加拉手语翻译数据集IsharaKhobor，探讨数据集创建挑战，并通过基准测试和消融实验展示其改进版本。
2025-11-26 cs.CL cs.CV
