目标检测是计算机视觉研究的重要方向其主要任务是对图片中感兴趣的目标进行定位和分类。交通标志检测作为目标检测的一个细分领域在先进辅助驾驶系统和自动驾驶等方面具有重要作用,越来越受到人们的重视。现实环境中的交通标志往往背景比较复杂并且目标尺寸较小,这给高效率的检测带来很大困难;同时,受车载计算、存储资源的约束,使得检测模型必须做到轻量级才能具有更好的实时性。为此,论文提出了两个交通标志检测模型以适应车载应用中的交通标志检测,具体如下:(1)论文提出一种适用于小目标交通标志的实时精确定位和分类的MSA＿YOLOv3的检测方法。首先,使用图像融合技术进行数据增强;其次,在Darknet53网络中引入多尺度空间金字塔池化模块,使网络可以更全面地学习目标特征;最后,设计自底向上的增强路径增强YOLOv3中的特征金字塔结构,有效利用底层细粒度特征实现目标的精确定位。该方法有效克服了通常的深度学习目标检测模型对小目标检测效果不好的缺陷:小目标经过几层卷积后,在最后一层特征图上很难发现细节信息。在TT100K交通标志检测数据集的测试表明,MSA＿YOLOv3对小尺寸交通标志的检测性能优于原始的YOLOv3,MSA＿YOLOv3检测速度为23.81FPS,同时m AP(mean Average Precision)达到86%。(2)适用于车载设备的L-YOLO目标检测模型。通过在骨干网上使用部分残差连接来降低模型的复杂度和计算量。检测层使用高斯边界框定位损失,利用在检测过程中预测边界框定位的不确定性来降低FP并提高TP。在TAD16K数据集上,L-YOLO的m AP比Tiny YOLOv3提高了2.1%,参数量减少了45%,计算量减少了46%,同时检测速度提高了20%。MSA＿YOLOv3通过改进网络结构实现了对小型交通标志的精确定位。L-YOLO是一个轻量级交通标志检测模型,它可以和多目标跟踪技术相结合作为边缘计算的组件应用于智能交通系统中。