Optimization of GTRSB Traffic Sign Detection and Classification Based on Convolutional Neural Networks

研究比较卷积神经网络和二值神经网络在识别交通标志上的表现，提出了一种从底层进行二值神经网络架构设计的方法，并且在测试集上取得了高于80%的准确率。

该论文提出了一种使用胶囊网络的交通标志检测新方法，通过动态路由和路由协议算法，提高了自主车辆交通标志检测的可靠性和准确性。

本研究提出了一种新型的模型用于交通标志识别，结合卷积网络和Transformer网络的优势，实验证明该模型在德国和波斯交通标志数据集上超过了纯Transformer模型和最佳卷积网络的准确率。

该研究论文解决了自动驾驶车辆和驾驶辅助系统中与交通标志检测相关的挑战，特别关注使用Transformer模型来提高检测的速度和准确性。

提出了一种基于SOS-CNN的方法来检测实际条件下大图像中的小型交通标志，实验结果表明该方法在检测精度和召回率方面有效。

通过应用改进的MIRNet模型和Yolov4模型，解决了低光、噪声和模糊条件下交通标志识别的挑战，并在GTSRB数据集上获得了96.75%的整体准确率。

介绍了使用混合量子-经典卷积神经网络实现的交通标志分类系统，基于其在德国交通标志识别基准数据集上的90%以上精度，揭示了量子神经网络的潜力。

综述了在交通标志检测和分类模型上进行数字化或现实世界攻击的现有工作，探讨了最新发展并突出了需要进一步研究的领域。