华南理工大学学报(自然科学版)

作者：邢岩, 郭思豪, 张振, 潘晓东, 安冬

单位：1.沈阳建筑大学 交通与测绘工程学院，辽宁 沈阳 1101682.道路交通安全管控技术国家工程研究中心，辽宁 沈阳 1101683.沈阳市公安局交通管理支队，辽宁 沈阳 1101684.沈阳寒武纪交通科技有限公司，辽宁 沈阳 110168

关键词：小目标识别,交通标志识别,膨胀卷积,注意力机制,解耦头

基金：道路交通安全管控技术国家工程研究中心开放课题(2024GCZXKFKT13B)

针对小目标交通标志的错检和漏检导致识别网络精度下降的问题，提出了一种基于CGT-YOLO的小目标交通标志识别算法。首先，采用上下文增强模块（CAM）替代YOLOv5s网络中的快速空间金字塔池化（SPPF）模块，通过设置不同膨胀率的并行膨胀卷积，在不降低分辨率的条件下增强小目标交通标志的多尺度特征表达与上下文信息。其次，在YOLOv5s主干网络的拼接操作后插入全局注意力机制（GAM），提取CAM增强后的特征并通过三维置换、多层感知器及卷积空间注意力，增强通道与空间之间的全局交互，从而突出小目标交通标志的特征，解决复杂背景和远距离带来的负面影响。最后，通过上下文特定任务（TSC）解耦头对分类和定位任务的特征进行解耦，通过语义上下文编码（SCE）和细节保留编码（DPE）模块，分别生成语义丰富的低分辨率分类特征图和包含边界信息的高分辨率定位特征图，从特征源头解耦分类与定位任务，解决小目标交通标志分类与定位任务之间的特征冲突。实验结果表明，在整合TT100K和CCTSDB构建的数据集上，改进后的模型在各项指标上均有提升：漏报率和误报率分别降低12.1和11.6个百分点；mAP（0.50∶0.95）提高0.026 0。与YOLOv8s、NanoDet-Plus、RT-DETR-Nano等模型对比，CGT-YOLO在多项指标上均具有优势，且在保持较高推理速度（72.5 桢/s）的同时，可减少错检与漏检，显著提升了小目标交通标志在复杂场景下的检测精度与鲁棒性。

来源：2026年第3期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2026年第3期