本研究解决了自主驾驶车辆在复杂动态环境中对可靠交通标志识别和稳健车道检测的需求。采用深度学习与多模态大语言模型相结合的新方法，达到交通标志识别和车道检测的高准确率，显著提升了智能驾驶的安全性与可靠性。研究结果显示，论文提出的框架在各种条件下均具有优越的推理能力，为安全自主驾驶做出重要贡献。

HyperAI整理了8个春节相关数据集，包括对联、交通标志和生肖文化，推动AI在传统民俗中的应用与春节文化创新。

本研究揭示了传统交通标志分类模型在对抗攻击下的脆弱性，强调需要在更广泛的基准上评估新攻击，以增强模型的鲁棒性。

本研究针对自动驾驶系统在交通标志理解方面的不足，提出从车辆第一人称视角解读交通标志，并开发了交通引导助手应用，展示了其在更新电子地图和提供额外信息方面的潜力。

我们提出了交通标志解释（TSI）任务，旨在将交通标志翻译为自然语言，以支持自动驾驶。通过多任务学习架构进行标志的检测与识别，实验结果表明TSI任务是可行的，相关数据集和源代码将公开发布。

本文系统分析了YOLO目标检测算法从YOLOv1到YOLOv10的发展历程，逆向时间顺序探讨了YOLOv10至YOLOv8在提升实时检测速度、准确性和效率方面的贡献。研究强调了YOLO在汽车安全、医疗、工业、监视和农业领域的影响，并讨论了早期版本的挑战。文章还指出YOLO与多模态、上下文感知和AGI系统结合的潜力。

本研究解决了交通标志识别系统对物理世界对抗攻击的脆弱性问题，发现现有的学术攻击方法在某些功能上能够实现100%的攻击成功率，但整体成功率较低。研究揭示了商业系统中空间记忆设计对攻击成功的重要影响，并挑战了先前研究的结论。

本研究解决了交通标志识别系统易受光斑攻击的安全隐患，通过提出一种名为SafeSign的通用图像修复机制，以应对新型光斑攻击。该机制利用注意力驱动的多视图图像融合修复受污染的交通标志，提升了识别准确性，实验中显示平均准确率提高了54.8%。

该研究旨在开发一个实时交通标志检测系统，使用YOLOv5架构在郊区社区中高效识别交通标志，准确率达到96%。该系统有潜力通过提供实时交通标志信息来改善道路安全和交通管理，为自动驾驶研究铺平道路。

本研究提出了一种新型网络EMDFNet，用于小型物体（尤其是交通标志）检测。该方法通过增强快捷模块和高效混合编码器，提升了特征的多样性和适应性。实验结果表明，EMDFNet在多个基准数据集上表现更佳，同时保持了实时处理能力。

本文介绍了一种利用发光二极管和相机卷帘效应的攻击方法，通过创建对抗条纹来误导交通标志识别。GhostStripe攻击系统可以稳定地欺骗交通标志识别，将识别错误的类别达到94％。这种攻击可能导致受害车辆卷入危险事件。作者还讨论了对策。

该研究提出了交通标志解释（TSI）任务，将交通标志翻译成自然语言，为自动驾驶提供准确指导。实验结果表明，即使标志之间存在复杂语义逻辑，TSI任务可实现。

交通标志是一种符号和交通语言，用于实现逻辑计算和自动驾驶。特拉斯公司使用大模型帮助自动驾驶。

本文介绍了一种基于卷积神经网络的创新方法，用于提高道路交通的安全性和导航能力。该方法实现了接近96%的准确率，并强调了高级定位技术对交通标志识别技术的持续发展和对道路安全和自动驾驶的未来的关键性影响。

该研究提出了一种利用高清地图中交通信号灯分配信息的新方法，通过分析交通信号灯状态和车辆运动模式自动推导交通灯分配，解决了信息手动提供的问题，并提供了数据集转换方法和公开 API，方便研究人员开发和评估自己的方法。