רשת קלה אדפטיבית מרובת סקלות לזיהוי תמרורים קטנים במרחקים ארוכים

מדוע תמרורים זעירים חשובים

מערכות סיוע לנהג ורכבים אוטונומיים מודרניים תלויות בזיהוי תמרורים במהירות ובאמינות, גם כאשר התמרורים הם נקודות קטנות מרחוק. החמצת תמרור מהירות קטן או קריאה שגויה של אזהרה עלולה לגרום להחלטות מאוחרות או מסוכנות. יחד עם זאת, מחשבי הרכב מוגבלים בעוצמת עיבוד, ותמרורים מרוחקים עלולים להיטמע בפני מבנים, עצים או סנוור. מאמר זה מציג את YOLO‑AML, מערכת ראייה מזורזת שתוכננה לזהות תמרורים קטנים במרחקים ארוכים בזמן אמת, ומשפרת את הראייה של הרכב מבלי לדרוש חומרה כבדה.

האתגר של זיהוי תמרורים קטנים

בסצנות תנועה אמיתיות, אותו סוג תמרור יכול להיראות ענק מקרוב ולתפוס פחות מאלף מן התמונה כשהוא מרוחק. מזג אוויר, צללים ומכשולים מטשטשים או מסתירים תמרורים אלה, בעוד שמשטחים פנימיים ומטרדים בצד הדרך יוצרים דפוסים מסיחי דעת. שיטות ראייה ממוחשבת מסורתיות נשענו על תכונות צבע וגבול בעבודת יד, שמתקשות כאשר התאורה משתנה. מערכות למידת-עמוק מודרניות, כדוגמת משפחת YOLO הפופולרית, מהירות ומדויקות יותר, אך עדיין מאבדות פרטים עדינים כאשר ממקצעות את התמונה לעיבוד יעיל, ולעתים דורשות יותר כוח חישוב ממה שמכשירי הרכב יכולים להקצות.

רשת קלה ששומרת על הפרטים

YOLO‑AML יוצאת מעיצוב YOLO עדכני ומשנה את השכבות הפנימיות כך שיהיו קלות יותר אך שומרות על פרטים קטנים. במקום שימוש באופérations סטנדרטיות שמזניחות פיקסלים בזמן הקטנת התמונה, המערכת משתמשת בצעד "space-to-depth" שמארגן מחדש את אותם פיקסלים לערוצי נתונים נוספים. זה משמר את המידע המקורי תוך הקטנת רוחב וגובה הנתונים, מפחית חישוב אך שומר על מרקם התמרורים הזעירים. מודול גב (backbone) מתוכנן מחדש בשם CLSKA עושה שימוש בתבניות מסננים גדולות אך חסכוניות כדי לבחון גם קצוות מקומיים וגם את הסביבה הרחבה, כך שהרשת יכולה לחבר רמז אדום או צהוב חלש להקשר הכביש מבלי להיגרר לגודל עצום.

כוונון קשב ומדידת תיבות בצורה חכמה יותר

שמירה על פרטים לבדה אינה מספיקה, שכן סצנות מרוחקות מלאות בעצים, מבנים, עמודי תאורה וסימוני דרך שיכולים לבלבל את הגלאי. כדי להתמודד עם זה, YOLO‑AML מוסיפה בלוק קשב בשם NAST שמנצל בעדינות ערכי נרמול קיימים בתוך הרשת כמדריך למה להתעלם ממנו. ערוצים ופיקסלים שמתנהגים כרקע מדוכאים, בעוד אלה המזכירים תמרורים פוטנציאליים מחוזקים, הכל ללא הוספת שכבות כבדות נוספות. בשלב הפלט המערכת משנה גם את אופן הלמידה של ריבועי הגבול סביב התמרורים. במקום להסתמך על ציון חפיפה שיכול לצנוח אפס לפתע כאשר תיבה זעירה זזה בכמה פיקסלים, היא מתייחסת לכל תיבה ככתם רך ומודדת כמה דומים הכתמים בעזרת מדד מרחק חלק. זה מספק לאימון איתותים יציבים גם כאשר התמרורים קטנים מאוד.

בדיקה של המערכת

המחברים מעריכים את YOLO‑AML על מאגר תמרורים סיני גדול ועל מבחן אירופאי נפרד, המכסים אלפי סצנות עירוניות ובין-עירוניות. בהשוואה לקו בסיס חזק ולכמה וריאנטים פופולריים של YOLO, המערכת החדשה מזהה חלק גדול יותר של תמרורים נכונים בזמן שהיא פועלת מהר יותר ובשימוש בפחות פרמטרים. במאגר הראשי היא מקטינה את גודל המודל בכמעט שישית ומזרזת עיבוד, ועדיין משפרת דיוק, בעיקר עבור תמרורים מרוחקים ולחלקם מוסתרים חלקית. "מפות חום" חזותיות מאששות שהרשת מתמקדת ביתר דיוק על תמרורים בפועל ופחות מוסחת על ידי מרקמים וצללים לא רלוונטיים. בדיקות על לוח Jetson Nano בעל צריכת אנרגיה נמוכה מראות שהשיטה עובדת גם תחת מגבלות זיכרון ומהירות מחמירות, מה שמדגיש את התאמתה לשימוש משובץ.

מה זה אומר לרכבים בעתיד

במונחים יומיומיים, YOLO‑AML דומה לכך שמקנים לרכב ראייה חדה למרחקים ארוכים ומיקוד טוב יותר כשהמוח שלו נשאר קטן ויעיל. על-ידי שימור פרטים זעירים בתמונה, הסרת קשב מהמטרדים ושימוש בדרך סלחנית יותר להערכת מיקום התיבות, המערכת יכולה לזהות תמרורים קטנים מוקדם ובאופן אמין יותר. שילוב זה של דיוק, מהירות ומשקל קל הופך אותה לבניין מבטיח עבור פלטפורמות סיוע לנהג ונסיעה אוטונומית בעתיד, שבה כל אלפית שנייה וכל וואט כוח חישוביים נחשבים.

ציטוט: Liang, R., Qu, W. & Li, S. An adaptive multi-scale lightweight network for long-distance small traffic sign detection. Sci Rep 16, 13459 (2026). https://doi.org/10.1038/s41598-026-43920-y

מילות מפתח: נהיגה אוטונומית, זיהוי תמרורים, זיהוי עצמים קטנים, רשתות עצביות קלות משקל, YOLO