PMM-YOLO：多尺度特征融合的交通标志检测算法

来源：计算机工程与应用杂志2025年第4期北京时间：

作者：赵磊, 李栋

单位：内蒙古工业大学 信息工程学院，呼和浩特 010080

摘要：交通标志在智能驾驶领域有着重要的作用，面对交通标志尺寸小，易受遮挡，在复杂环境下容易出现漏检、错检等问题，提出了一种基于YOLOv5改进的PMM-YOLO交通标志检测算法。为了能够有效提取多尺度信息，并增强模型对特征信息的表达能力，提出了一种结合注意力机制的并行空洞卷积模块（adaptive parallel atrous convolution，APA），使用具有不同膨胀率的并行空洞卷积，能够有效地提取不同尺度的特征，并通过gate机制突出关键目标的特征表示，提高检测的准确性；设计了一种多分支的自适应采样（multi-branch adaptive sampling，MBAS），多分支的采样可为网络提供多条特征提取途径，丰富特征表达的多样性，并通过不同位置的权重筛选重要特征进行强化，抑制冗余特征；设计了多尺度特征融合（multi-scale feature fusion，MSFF）模块，对不同大小尺度的特征图进行拼接，充分利用多尺度信息，将多个尺度的特征图融合，以获取更全面的目标特征，提升对目标的检测效果。构建了输出重组（output reorganization，ORO）模块，增加小目标检测层并去除大目标检测层，提升对小目标的检测效果，并相应减少模型复杂度。实验结果表明，PMM-YOLO算法在TT100Ke数据集上的mAP@0.5达到了86.4%，较原YOLOv5提升了5.9个百分点，且FPS较改进前提升了4.4%，能够快速准确地对交通标志进行检测。

关键词：交通标志检测,YOLOv5,多分支采样,特征融合,空洞卷积,注意力机制