Адаптивная многомасштабная облегчённая сеть для обнаружения мелких дорожных знаков на больших расстояниях

Почему важны крошечные дорожные знаки

Современные системы помощи водителю и автомобили с автопилотом зависят от того, насколько быстро и надёжно они могут обнаруживать дорожные знаки, даже когда эти знаки выглядят как крошечные точки вдали. Пропуск маленького знака ограничения скорости или неверное распознавание предупреждения может привести к позднему или небезопасному решению. При этом бортовые компьютеры ограничены в вычислительной мощности, а удалённые знаки легко теряются на фоне зданий, деревьев и бликов. В этой работе представлен YOLO‑AML — упрощённая система зрения, созданная для выделения мелких дорожных знаков на больших расстояниях в режиме реального времени, чтобы автомобили «видели» лучше, не требуя мощного железа.

Задача обнаружения мелких знаков

В реальных дорожных сценах один и тот же тип знака может выглядеть большим, когда он близко, и занимать менее одной тысячной части изображения, когда он далеко. Погода, тени и препятствия дополнительно размывают или скрывают эти знаки, а приборные панели и уличный мусор создают отвлекающие шаблоны. Традиционные методы компьютерного зрения опирались на вручную разработанные цветовые и краевые подсказки, которые плохо работают при изменении освещения. Новые глубокие модели, такие как широко используемая семейство детекторов YOLO, быстрее и точнее, но они всё ещё теряют мелкие детали при уменьшении разрешения для ускорения обработки и часто требуют больше вычислительных ресурсов, чем доступны в бортовых устройствах.

Более лёгкая сеть, сохраняющая детали

YOLO‑AML берёт за основу современную архитектуру YOLO и перестраивает её внутренние слои, чтобы они были одновременно легче и внимательнее к мелким деталям. Вместо стандартных операций, которые выбрасывают пиксели при уменьшении изображения, система использует шаг «space‑to‑depth», перестраивающий эти пиксели в дополнительные каналы. Это сохраняет исходную информацию при одновременном уменьшении ширины и высоты тензоров, снижая вычисления, но сохраняя текстуру мелких знаков. Переработанный бэкбон-модуль под названием CLSKA использует крупные, но экономные шаблоны свёрток, чтобы учитывать как локальные края, так и более широкое окружение: сеть может связать слабую полоску красного или жёлтого с дорожным контекстом вокруг неё, не увеличивая размер модели.

Настройка внимания и более разумная оценка рамок

Простого сохранения деталей недостаточно, поскольку в дальних сценах полно деревьев, зданий, столбов и дорожной разметки, которые могут сбивать детектор с толку. Чтобы справиться с этим, YOLO‑AML добавляет блок внимания под названием NAST, который аккуратно повторно использует существующие значения нормализации внутри сети в качестве ориентира для того, чего игнорировать. Каналы и пиксели, ведущие себя как фон, приглушаются, а те, которые напоминают потенциальные знаки, усиливаются — и всё это без добавления тяжёлых слоёв. На выходе система также меняет способ обучения рисования ограничивающих прямоугольников вокруг знаков. Вместо опоры на показатель наложения, который может резко упасть до нуля при смещении крошечной рамки на несколько пикселей, она рассматривает каждую рамку как мягкий «кластер» и измеряет сходство этих кластеров при помощи плавной меры расстояния. Это даёт модели стабильные сигналы обучения даже при экстремально малых размерах знаков.

Проверка системы

Авторы оценивают YOLO‑AML на крупном китайском датасете дорожных знаков и на отдельном европейском бенчмарке, охватывающих тысячи городских и шоссейных сцен. По сравнению с сильной базовой моделью и несколькими популярными вариантами YOLO новая система обнаруживает больше истинных знаков, при этом работает быстрее и использует меньше параметров. На основном наборе данных она уменьшает размер модели примерно на одну шестую и ускоряет обработку, при этом повышая точность, особенно для удалённых и частично скрытых знаков. Визуальные «тепловые карты» подтверждают, что сеть сосредоточена более прицельно на реальных знаках и меньше отвлекается на несущественные текстуры и тени. Тесты на энергоограниченной плате Jetson Nano показывают, что метод сохраняет работоспособность при жёстких ограничениях памяти и скорости, что подчёркивает его пригодность для встроенного использования.

Что это означает для будущих автомобилей

Проще говоря, YOLO‑AML — это как дать автомобилю более острое дальнее зрение и лучшую фокусировку, сохранив при этом небольшой и эффективный «мозг». Сохраняя мельчайшие детали изображения, отвлекая внимание от мусора и используя более прощающий способ оценки положения рамок, система может заметить маленькие дорожные знаки раньше и надёжнее. Такое сочетание точности, скорости и лёгкости делает её перспективным компонентом для будущих платформ помощи водителю и автономного вождения, где важны каждая миллисекунда и каждый ватт вычислительной мощности.

Цитирование: 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

Ключевые слова: автономное вождение, обнаружение дорожных знаков, обнаружение мелких объектов, облегчённые нейронные сети, YOLO