公开数据集
数据结构 ? 11.03G
Data Structure ?
* 以上分析是由系统提取分析形成的结果,具体实际数据为准。
README.md
交通标志检测是交通标志识别系统中的一项重要任务。与其他国家的交通标志相比,中国的交通标志有其独特的特点。卷积神经网络(CNN)在计算机视觉任务中取得了突破性进展,在交通标志分类方面取得了巨大的成功。本文提出了一种基于深卷积网络的交通标志检测算法。为了实现交通标志的实时检测,本文提出了一种基于YOLOv2的端到端卷积网络。针对交通标志的特点,在网络的中间层采用多个1×1卷积层,在顶层减少卷积层以降低计算复杂度。为了有效地检测小交通标志,我们对输入图像进行密集网格划分,得到更精细的特征图。此外,我们扩充了中国交通标志数据集(CTSD),并改进了在线可用的标志信息。根据扩展后的CTSD和德国交通标志检测基准(GTSDB)评估的所有实验结果表明该方法具有更快的速度和更强的鲁棒性。获得的最快检测速度为每图像0.017秒。
数据来源:
中国交通标志检测数据集(CCTSDB)来源于 A Real-Time Chinese Traffic Sign Detection Algorithm based on Modified YOLOv2一文提出的训练数据集。
github原文:
CSUST Chinese Traffic Sign Detection Benchmark 中国交通数据集由长沙理工大学综合交通运输大数据智能处理湖南省重点实验室张建明老师团队制作完成。
到目前为止,已经上传图像15734张,全部的groundtruth也已经上传。 声明:目前的标注数据只有三大类:指示标志、禁止标志、警告标志。
具体的细分类标准数据集,由于还在制作,暂时将不会公布,请大家关注我们的后续更新!
大家如果下载做研究实验,请尽量引用我们的文章,务必引用第一篇:
Zhang
J, Jin X, Sun J, et al. Spatial and semantic convolutional features for
robust visual object tracking. Multimedia Tools and Applications, 2018.
https://doi.org/10.1007/s11042-018-6562-8
Zhang J, Huang M, Jin X,
et al. A Real-Time Chinese Traffic Sign Detection Algorithm based on
Modified YOLOv2. Algorithms, 2017, 10(4):127.
Zhang J, Huang Q, Wu H,
et al. Effective traffic signs recognition via kernel PCA network.
International Journal of Embedded Systems, 2018, 10(2): 120-125.
如有疑问:欢迎发送邮件: jmzhang@csust.edu.cn, lxd@stu.csust.edu.cn
论文摘要:
Traffic
sign detection is an important task in traffic sign recognition
systems. Chinese traffic signs have their unique features compared with
traffic signs of other countries. Convolutional neural networks (CNNs)
have achieved a breakthrough in computer vision tasks and made great
success in traffic sign classification. In this paper, we present a
Chinese traffic sign detection algorithm based on a deep convolutional
network. To achieve real-time Chinese traffic sign detection, we propose
an end-to-end convolutional network inspired by YOLOv2. In view of the
characteristics of traffic signs, we take the multiple 1 × 1
convolutional layers in intermediate layers of the network and decrease
the convolutional layers in top layers to reduce the computational
complexity. For effectively detecting small traffic signs, we divide the
input images into dense grids to obtain finer feature maps. Moreover,
we expand the Chinese traffic sign dataset (CTSD) and improve the marker
information, which is available online. All experimental results
evaluated according to our expanded CTSD and German Traffic Sign
Detection Benchmark (GTSDB) indicate that the proposed method is the
faster and more robust. The fastest detection speed achieved was 0.017 s
per image.
- 分享你的想法
全部内容
数据使用声明:
- 1、该数据来自于互联网数据采集或服务商的提供,本平台为用户提供数据集的展示与浏览。
- 2、本平台仅作为数据集的基本信息展示、包括但不限于图像、文本、视频、音频等文件类型。
- 3、数据集基本信息来自数据原地址或数据提供方提供的信息,如数据集描述中有描述差异,请以数据原地址或服务商原地址为准。
- 1、本站中的所有数据集的版权都归属于原数据发布者或数据提供方所有。
- 1、如您需要转载本站数据,请保留原数据地址及相关版权声明。
- 1、如本站中的部分数据涉及侵权展示,请及时联系本站,我们会安排进行数据下线。