基于CGT-YOLO的小目标交通标志识别算法

doi:10.12141/j.issn.1000-565X.250092

华南理工大学学报(自然科学版) ›› 2026, Vol. 54 ›› Issue (3): 65-78.doi: 10.12141/j.issn.1000-565X.250092

基于CGT-YOLO的小目标交通标志识别算法

邢岩¹^,², 郭思豪¹, 张振²^,³, 潘晓东²^,³, 安冬¹^,⁴

^1.沈阳建筑大学交通与测绘工程学院，辽宁沈阳 110168
^2.道路交通安全管控技术国家工程研究中心，辽宁沈阳 110168
^3.沈阳市公安局交通管理支队，辽宁沈阳 110168
^4.沈阳寒武纪交通科技有限公司，辽宁沈阳 110168

收稿日期:2025-04-01 出版日期:2026-03-25 发布日期:2025-10-31
通信作者: 郭思豪（1999 —），男，硕士，主要从事智能交通研究。 E-mail:27129433@qq.com
作者简介:邢岩（1985—），男，博士，教授，主要从事智能交通研究。E-mail： xingyan@sjzu.edu.cn
基金资助:
道路交通安全管控技术国家工程研究中心开放课题(2024GCZXKFKT13B)

CGT-YOLO-Based Algorithm for Small-Target Traffic Sign Recognition

XING Yan¹^,², GUO Sihao¹, ZHANG Zhen²^,³, PAN Xiaodong²^,³, AN Dong¹^,⁴

^1.School of Transportation and Geomatics Engineering，Shenyang Jianzhu University，Shenyang 110168，Liaoning，China
^2.National Engineering Research Center for Road Traffic Safety Control Technology，Shenyang 110168，Liaoning，China
^3.Traffic Management Detachment of Shenyang Public Security Bureau，Shenyang 110168，Liaoning，China
^4.Shenyang Cambrian Transportation Technology Co. ，Ltd. ，Shenyang 110168，Liaoning，China

Received:2025-04-01 Online:2026-03-25 Published:2025-10-31
Contact: 郭思豪（1999 —），男，硕士，主要从事智能交通研究。 E-mail:27129433@qq.com
About author:邢岩（1985—），男，博士，教授，主要从事智能交通研究。E-mail： xingyan@sjzu.edu.cn
Supported by:
the Open Project of National Engineering Research Center for Road Traffic Safety Control Technology(2024GCZXKFKT13B)

摘要/Abstract

摘要：

针对小目标交通标志的错检和漏检导致识别网络精度下降的问题，提出了一种基于CGT-YOLO的小目标交通标志识别算法。首先，采用上下文增强模块（CAM）替代YOLOv5s网络中的快速空间金字塔池化（SPPF）模块，通过设置不同膨胀率的并行膨胀卷积，在不降低分辨率的条件下增强小目标交通标志的多尺度特征表达与上下文信息。其次，在YOLOv5s主干网络的拼接操作后插入全局注意力机制（GAM），提取CAM增强后的特征并通过三维置换、多层感知器及卷积空间注意力，增强通道与空间之间的全局交互，从而突出小目标交通标志的特征，解决复杂背景和远距离带来的负面影响。最后，通过上下文特定任务（TSC）解耦头对分类和定位任务的特征进行解耦，通过语义上下文编码（SCE）和细节保留编码（DPE）模块，分别生成语义丰富的低分辨率分类特征图和包含边界信息的高分辨率定位特征图，从特征源头解耦分类与定位任务，解决小目标交通标志分类与定位任务之间的特征冲突。实验结果表明，在整合TT100K和CCTSDB构建的数据集上，改进后的模型在各项指标上均有提升：漏报率和误报率分别降低12.1和11.6个百分点；mAP（0.50∶0.95）提高0.026 0。与YOLOv8s、NanoDet-Plus、RT-DETR-Nano等模型对比，CGT-YOLO在多项指标上均具有优势，且在保持较高推理速度（72.5 桢/s）的同时，可减少错检与漏检，显著提升了小目标交通标志在复杂场景下的检测精度与鲁棒性。

关键词: 小目标识别, 交通标志识别, 膨胀卷积, 注意力机制, 解耦头

Abstract:

To address the degradation in recognition accuracy caused by false and missed detections of small target traffic signs, this study proposes a small traffic sign recognition algorithm based on CGT-YOLO. First, a context-aware enhancement module (CAM) is introduced to replace the spatial pyramid pooling fast (SPPF) module in the YOLOv5s network. By employing parallel dilated convolutions with different dilation rates, the CAM enhances multiscale feature representation and contextual information of small traffic signs without reducing spatial resolution. Second, a global attention mechanism (GAM) is inserted after the concatenation operation in the backbone network of YOLOv5s. The GAM extracts features enhanced by the CAM and strengthens global interaction between channel and spatial dimensions through 3D permutation, multi-layer perceptron, and convolutional spatial attention, thereby highlighting the features of small traffic signs and mitigating the negative effects of complex backgrounds and long distances. Finally, a task-specific context (TSC) decoupled head is utilized to separate features for classification and localization tasks. Through the semantic context encoder (SCE) and detail preservation encoder (DPE) modules, the head generates semantically rich low-resolution feature maps for classification and high-resolution feature maps containing boundary information for localization, respectively. This disentangles classification and localization tasks at the feature source, resolving feature conflicts between the two tasks for small target traffic signs. Experimental results on a dataset constructed by integrating TT100K and CCTSDB show that the improved model achieves enhanced performance across all metrics: the missed detection rate and false detection rate are reduced by 12.1 and 11.6 percentage points, respectively, while mAP(0.50∶0.95) increases by 0.026 0. Compared to models such as YOLOv8s, NanoDet-Plus, and RT-DETR-Nano, CGT-YOLO demonstrates superior performance across multiple metrics. While maintaining a high inference speed (72.5 FPS), it effectively reduces false and missed detections, significantly improving the detection accuracy and robustness of small target traffic signs in complex scenarios.

Key words: small target recognition, traffic sign recognition, dilated convolution, attention mechanism, decoupled head

中图分类号:

TP391.41

邢岩, 郭思豪, 张振, 潘晓东, 安冬. 基于CGT-YOLO的小目标交通标志识别算法[J]. 华南理工大学学报(自然科学版), 2026, 54(3): 65-78.

XING Yan, GUO Sihao, ZHANG Zhen, PAN Xiaodong, AN Dong. CGT-YOLO-Based Algorithm for Small-Target Traffic Sign Recognition[J]. Journal of South China University of Technology(Natural Science Edition), 2026, 54(3): 65-78.

图/表 18

图1

图2

图3

图4

图5

图6

图7

图8

表1

表2

表3

图9

表4

表5

表6

表7

图10

表8

参考文献 26

[1]	NANDI D， SAIF A F M S， PAUL P，et al ．Traffic sign detection based on color segmentation of obscure image candidates：a comprehensive study［J］．International Journal of Modern Education and Computer Science，2018，10（6）：35-46.
[2]	GÓMEZ-MOEENO H， MALDONADO-BASCÓN S， GIL-JIMÉNEZ P，et al ．Goal evaluation of segmentation algorithms for traffic sign recognition［J］．IEEE Transactions on Intelligent Transportation Systems，2010，11（4）：917-930.
[3]	WALI S B， HANNAN M A， HUSSAIN A，et al ．An automatic traffic sign detection and recognition system based on colour segmentation，shape matching，and SVM［J］．Mathematical Problems in Engineering，2015，DOI：10.1155/2015/250461 .
[4]	TABERNIK D， SKOČAJ D ．Deep learning for large-scale traffic-sign detection and recognition［J］．IEEE Transactions on Intelligent Transportation Systems，2019，21（4）：1427-1440.
[5]	AYACHI R， AFIF M， SAID Y，et al ．Traffic signs detection for real-world application of an advanced driving assisting system using deep learning［J］．Neural Processing Letters，2020，51（1）：837-851.
[6]	AHMED S， KAMAL U， HASAN M K ．DFR-TSD：a deep learning based framework for robust traffic sign detection under challenging weather conditions［J］．IEEE Transactions on Intelligent Transportation Systems，2021，23（6）：5150-5162.
[7]	马鸽，李洪伟，严梓维，等．基于多注意力的改进YOLOv5s小目标检测算法［J］．工程科学学报，2024，46（9）：1647-1658.
	MA Ge， LI Hongwei， YAN Ziwei，et al ．Improved small target detection algorithm based on multiattention and YOLOv5s for traffic sign recognition［J］．Chinese Journal of Engineering，2024，46（9）：1647-1658.
[8]	胡均平，王鸿树，戴小标，等．改进YOLOv5的小目标交通标志实时检测算法［J］．计算机工程与应用，2023，59（2）：185-193.
	HU Junping， WANG Hongshu， DAI Xiaobiao，et al ．Real-time detection algorithm for small-target traffic signs based on improved YOLOv5［J］．Computer Engineering and Applications，2023，59（2）：185-193.
[9]	罗玉涛，高强．基于通道注意力和特征增强的交通标志检测［J］．华南理工大学学报（自然科学版），2023，51（12）：64-72.
	LUO Yutao， GAO Qiang ．Traffic sign detection based on channel attention and feature enhancement［J］．Journal of South China University of Technology （Natural Science Edition），2023，51（12）：64-72.
[10]	郭君斌，于琳，于传强．改进YOLOv5s算法在交通标志检测识别中的应用［J］．国防科技大学学报，2024，46（6）：123-130.
	GUO Junbin， YU Lin， YU Chuanqiang ．Application of improved YOLOv5s algorithm in traffic sign detection and recognition［J］．Journal of National University of Defense Technology，2024，46（6）：123-130.
[11]	WANG J， CHEN Y， CAO M，et al ．Improved YOLOv5 network for real-time multi-scale traffic sign detection［J］．Neural Computing and Applications，2023，35（10）：7853-7865.
[12]	MAHAUR B， MISHRA K K ．Small-object detection based on YOLOv5 in autonomous driving systems［J］．Pattern Recognition Letters，2023，168：115-122.
[13]	孟勃，史伟大．改进YOLOv7的交通标志识别模型［J］．中国图象图形学报，2024，29（9）：2737-2752.
	MENG Bo， SHI Weida ．Improved traffic sign recognition model for YOLOv7［J］．Journal of Image and Graphics，2024，29（09）：2737-2752.
[14]	田鹏，毛力．改进YOLOv8的道路交通标志目标检测算法［J］．计算机工程与应用，2024，60（8）：202-212.
	TIAN Peng， MAO Li ．Improved YOLOv8 object detection algorithm for traffic sign target［J］．Computer Engineering and Applications，2024，60（8）：202-212.
[15]	MIN W， LIU R， HE D，et al ．Traffic sign recognition based on semantic scene understanding and structural traffic sign location［J］．IEEE Transactions on Intelligent Transportation Systems，2022，23（9）：15794-15807.
[16]	YAO Y， HAN L， DU C，et al ．Traffic sign detection algorithm based on improved YOLOv4-Tiny［J］．Signal Processing：Image Communication，2022，107：116783/1-11.
[17]	高明华，杨璨．基于改进卷积神经网络的交通目标检测方法［J］．吉林大学学报（工学版），2022，52（6）：1353-1361.
	GAO Ming-hua， YANG Can ．Traffic target detection method based on improved convolution neural network［J］．Journal of Jilin University （Engineering and Technology Edition），2022，52（6）：1353-1361.
[18]	崔静雯，马杰，张宇．基于多尺度联合权重分配的目标检测算法［J］．计算机工程与应用，2022，58（17）：101-110.
	CUI Jingwen， MA Jie， ZHANG Yu ．Target detection algorithm based on multi-scale combined weight distribution［J］．Computer Engineering and Applications，2022，58（17）：101-110.
[19]	XIAO J， ZHAO T， YAO Y，et al ．Context augmentation and feature refinement network for tiny object detection［C］∥ Proceedings of International Conference on Learning Representations．［S.l.］：ICLR，2022：25-29.
[20]	LIU Y， SHAO Z， HOFFMANN N ．Global attention mechanism：retain information to enhance channel-spatial interactions［J］．arXiv preprint：2112.05561，2021.
[21]	ZHUANG J， QIN Z， YU H，et al ．Task-specific context decoupling for object detection［J］．arxiv preprint arxiv：，2023.
[22]	翁俊辉，成乐，黄曼莉，等．基于CS-YOLOv5s的无人机航拍图像小目标检测［J］．电子测量技术，2024，47（7）：157-162.
	WENG Junhui， CHENG Le， HUANG Manli，et al ．Small target detection for UAV aerial images based on CS-YOLOv5s［J］．Electronic Measurement Techno-logy，2024，47（7）：157-162.
[23]	祝江，魏汉迪，肖龙飞，等．通航场景下的海上目标检测算法［J］．船舶工程，2024，46（12）：93-100.
	ZHU Jiang， WEI Handi， XIAO Longfei，et al ．Algorithms for maritime target detection and recognition in navigation scenes［J］．Ship Engineering，2024，46（12）：93-100.
[24]	谢竞，邓月明，王润民．改进YOLOv8s的交通标志检测算法［J］．计算机工程，2024，50（11）：338-349.
	XIE Jing， DENG Yueming， WANG Runmin ．Improved traffic sign detection algorithm based on YOLOv8s［J］．Computer Engineering，2024，50（11）：338-349.
[25]	赵会鹏，曹景胜，潘迪敬，等．改进YOLOv8算法的交通标志小目标检测［J］．现代电子技术，2024，47（20）：141-147.
	ZHAO Huipeng， CAO Jingsheng， PAN Dijing，et al ．Traffic sign small target detection based on improved YOLOv8 algorithm［J］．Modern Electronics Technique，2024，47（20）：141-147.
[26]	任安虎，姜子渊，马晨浩．基于改进YOLOv5s的道路裂缝检测算法［J］．激光杂志，2024，45（4）：88-94.
	REN Anhu， JIANG Ziyuan， MA Chenhao ．Road crack detection algorithm based on improved YOLOv5s［J］．Laser Journal，2024，45（4）：88-94.

类别	标志	英文	缩写
禁令标志	禁止驶入	No Entry	NE
	禁止向左转弯	No Left Turn	NLT
	禁止向右转弯	No Right Turn	NRT
	禁止直行	No Straight Through	NST
	禁止掉头	No U-Turn	NUT
	禁止超车	No Overtaking	NO
	禁止车辆停放	No Parking	NP
	限制标志	Regulatory Sign	RS
指示标志	直行	Straight Ahead	SA
	向左转弯	Turn Left	TL
	向右转弯	Turn Right	TR
	允许掉头	U turn	UT
	分隔带右侧行驶	Keep Right	KR
	分隔带左侧行驶	Keep Left	KL
	人行横道	Pedestrian Crossing	PC
	机动车行驶	Motor Vehicles Only	MVO
	非机动车行驶	Non-Motor Vehicles Only	NMVO
警告标志	交叉口	Intersection	IN
	隧道	Tunnel	TU
	注意行人	Caution： Pedestrians	CP
	注意儿童	Caution： Children	CC
	车道变少	Lane Reduction	LR

参数	数值
epochs	300
batch-size	16
imgsz	640
learning Rate	0.001
Weight_decay	0.000 5
momentum	0.937
depth_multiple	0.33
width_multiple	0.5

YOLOv5s	C	G	T	小目标召回率	ACS	分类准确率/%	收敛时间（300轮）/h
√				0.793	0.45	95.2	1.863
√	√			0.869	0.62	95.4	2.013
√		√		0.831	0.59	95.3	2.084
√			√	0.820	0.46	96.1	1.681
√	√	√		0.880	0.68	95.7	2.131
√	√		√	0.871	0.63	96.5	1.865
√		√	√	0.842	0.60	96.2	1.898
√	√	√	√	0.913	0.72	97.4	1.949

YOLOv5s	C	G	T	mAP @0.50	mAP @0.50∶0.95	精确率	召回率
√				0.971 6	0.761 8	0.965 8	0.946 2
√	√			0.970 5	0.767 3	0.969 5	0.947 3
√		√		0.979 0	0.768 3	0.969 6	0.952 1
√			√	0.980 1	0.778 0	0.968 2	0.951 5
√	√	√		0.966 9	0.767 8	0.972 0	0.952 4
√	√		√	0.980 5	0.781 7	0.972 9	0.953 5
√		√	√	0.981 1	0.784 6	0.974 8	0.953 3
√	√	√	√	0.982 3	0.787 8	0.974 7	0.957 9

模型	mAP@0.50∶0.95	精确率	召回率
Faster R-CNN	0.759 7	0.954 3	0.942 8
YOLOv5s	0.761 8	0.965 8	0.946 2
YOLOv8s	0.773 5	0.969 1	0.949 7
NanoDet-Plus	0.761 2	0.959 1	0.937 6
RT-DETR-Nano	0.778 9	0.969 8	0.951 3
CGT-YOLO	0.787 8	0.974 7	0.957 9

基于CGT-YOLO的小目标交通标志识别算法

CGT-YOLO-Based Algorithm for Small-Target Traffic Sign Recognition

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价

场景	AC		AI		DSR/%
场景	YOLOv5s	CGT-YOLO	YOLOv5s	CGT-YOLO	YOLOv5s	CGT-YOLO
1	0.62	0.69	0.71	0.77	84.3	91.5
2	0.64	0.71	0.70	0.76	85.2	92.4
3	0.61	0.69	0.68	0.75	83.3	90.8
4	0.65	0.72	0.72	0.78	86.1	93.2

[1]	周璇, 李可昕, 郭子轩, 俞祝良, 闫军威, 蔡盼盼. 基于改进Informer的商业建筑短期用电负荷多步预测[J]. 华南理工大学学报(自然科学版), 2026, 54(1): 42-52.
[2]	唐莉丽, 刘乙奇. 面向污水处理的轻量化多参数时序预测方法[J]. 华南理工大学学报(自然科学版), 2026, 54(1): 60-69.
[3]	岳永恒, 赵志浩. 基于深度学习的车道线检测算法[J]. 华南理工大学学报(自然科学版), 2025, 53(9): 22-30.
[4]	曹瑞芬, 胡维玲, 李强生, 宾艳南, 郑春厚. 基于图神经网络的IL-6诱导肽预测方法[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 109-117.
[5]	王庆荣, 王俊杰, 朱昌锋, 郝福乐. 基于SD-ISSA-DALSTM的交通运输业碳排放预测[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 66-81.
[6]	侯越, 尹杰, 张志豪, 卢可可. 用于交通流预测的时空异质化两阶段融合网络[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 82-93.
[7]	胡永健, 卓思超, 刘琲贝, 王宇飞, 李纪成. 基于多尺度时空特征和篡改概率改善换脸检测的跨库性能[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 110-119.
[8]	周浪, 樊坤, 瞿华, 等. 基于ECA注意力机制改进的EfficientNet-E模型的森林火灾识别[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 42-49.
[9]	杨春玲, 陈文俊, 刘嘉惠. 用于视频压缩感知的特征域优化启发及多假设交叉注意力重构神经网络[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 9-21.
[10]	强睿儒, 赵小强. 基于格拉姆角差场和生成对抗网络的小样本滚动轴承故障诊断方法[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 64-75.
[11]	田晟, 宋霖, 赵凯龙. 基于偏移注意力机制和多特征融合的点云分类[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 100-109.
[12]	李家春, 李博文, 林伟伟. AdfNet：一种基于多样化特征的自适应深度伪造检测网络[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 82-89.
[13]	李海燕, 尹浩林, 李鹏, 等. 基于密集特征推理及混合损失函数的修复算法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 99-109.
[14]	郭恩强, 符锌砂. 基于特征相似性学习的抛洒物检测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 30-41.
[15]	刘宇鹏, 张雷. 融合遗忘和知识点重要度的认知诊断模型[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 54-62.

模型	预处理/ms	推理时间/ms	后处理/ms	FPS/（帧·s^-1）
YOLOv5s	0.4	13.0	5.7	76.9
CGT-YOLO	0.5	13.8	6.1	72.5

模型	精确率	召回率	MR/%	FPR/%	准确率/%
YOLOv5s	0.812	0.793	27.8	18.9	80.5
CGT-YOLO	0.885	0.913	15.7	7.3	90.1