目标检测就是使用计算机技术对现实环境中所需要的特定目标进行自动的定位和识别。该任务是大量高级计算机视觉任务的基础和前提。传统的目标检测算法检测速度快,但是手工设计的特征鲁棒性较差,对于复杂的自然环境或者目标存在遮挡、形变等情况不能表现出很好的性能。目标检测任务最近的进展都归功于卷积神经网络的成功。通过一层层卷积层、非线性池化层和下采样层的堆叠,卷积神经网络能够学习到更具判别力的特征。交通标志检测是实际应用中的一项重要任务。对交通标志进行准确地定位和分类有助于提高自动驾驶技术的安全性,但是交通标志通常以小目标的形式存在于图像中。当前基于深度学习的目标检测算法对于具有高分辨率的大目标显示出很好的性能,但对于诸如交通标志这类小目标通常会发生漏检或者误检的情况。针对这一问题,本文对基于深度学习的交通标志检测展开了以下探索性的研究:(1)基于Attention机制的交通标志检测框架。Attention机制可以看作是深度学习模型的强力补充。论文提出了一种基于Attention机制的交通标志检测框架。具体而言,该框架使用Attention机制对通道之间的依赖性进行建模,增大具有强判别力特征的响应,使用经过挑选的特征进行候选区域的回归和目标的分类。实验证明,该框架可以提高小目标的检测性能。(2)基于反向连接和Attention机制的交通标志检测框架。高层的特征分辨率较低,语义信息丰富;低层的特征语义信息不够丰富,但由于它经过的池化层较少,因此能够更准确地定位目标。论文使用Attention机制对特征进行挑选,使用反向连接将高层特征与低层特征结合,将特征图放大至合适的分辨率进行检测。实验证明,该框架相比于基础框架能够获得一定的性能提升。