Revolutionizing Traffic Sign Recognition: Unveiling the Potential of Vision Transformers

本研究介绍了一种创新的交通标志识别（TSR）方法，利用深度学习技术，特别强调视觉Transformer。 TSR在推进驾驶员辅助系统和自动驾驶汽车方面具有重要作用。传统的TSR方法依赖于手动特征提取，已被证明是劳动密集型和昂贵的。此外，基于形状和颜色的方法具有固有的局限性，包括容易受到各种因素和光照条件的影响。本研究探讨了三种视觉Transformer变体（PVT、TNT、LNL）和六种卷积神经网络（AlexNet、ResNet、VGG16、MobileNet、EfficientNet、GoogleNet）作为基线模型。为了解决传统方法的缺点，提出了一种新的金字塔EATFormer骨干，将进化算法（EAs）与Transformer架构相结合。引入的基于EA的Transformer块通过其组件：前馈网络、全局和局部交互以及多尺度区域聚合模块捕获多尺度、交互和个体信息。此外，引入了调制变形MSA模块，动态建模不规则位置。对GTSRB和BelgiumTS数据集的实验评估表明，所提出的方法在提高预测速度和准确性方面具有有效性。本研究得出结论，视觉Transformer在交通标志分类方面具有重要前景，并为TSR提供了新的算法框架。这些发现为开发精确可靠的TSR算法奠定了基础，有益于驾驶员辅助系统和自动驾驶汽车。

本论文旨在通过利用深度学习技术，特别是视觉Transformer，引入一种创新的交通标志识别方法，以推进驾驶员辅助系统和自动驾驶汽车的发展。传统的基于手动特征提取的交通标志识别方法已被证明是费时费力的。而且，基于形状和颜色的方法具有固有的局限性，包括易受各种因素和光照条件变化的影响。因此，本研究探讨了使用三种视觉Transformer变体（PVT、TNT、LNL）和六种卷积神经网络（AlexNet、ResNet、VGG16、MobileNet、EfficientNet、GoogleNet）作为基线模型的方法。

本文提出了一种新的金字塔EATFormer骨干网络，将进化算法（EAs）与Transformer架构相结合，以解决传统方法的缺点。引入了一个调制变形MSA模块，以动态建模不规则位置。实验结果表明，该方法在提高预测速度和准确性方面具有良好的效果。本研究认为，视觉Transformer在交通标志分类方面具有巨大的潜力，并为TSR提供了一种新的算法框架。

本文的亮点包括：1. 提出了一种新的金字塔EATFormer骨干网络；2. 引入了一个调制变形MSA模块，以动态建模不规则位置；3. 实验结果表明，该方法在提高预测速度和准确性方面具有良好的效果；4. 本研究为TSR提供了一种新的算法框架。

最近在这个领域中，还有一些相关的研究，例如：1. Real-time Traffic Sign Detection and Classification using Convolutional Neural Networks；2. Traffic Sign Detection and Recognition Using Deep Learning Techniques；3. A Review of Deep Learning for Traffic Sign Recognition。