Traffic sign detection, as an important part of intelligent driving, can effectively guide drivers to regulate driving and reduce the occurrence of traffic accidents. Currently, the deep learning-based detection methods have achieved very good performance. However, existing network models do not adequately consider the importance of lower-layer features for traffic sign detection. The lack of information on the lower-layer features is a major obstacle to the accurate detection of traffic signs. To solve the above problems, we propose a novel and efficient traffic sign detection method. First, we remove a prediction branch of the YOLOv3 network model to reduce the redundancy of the network model parameters and improve the real-time performance of detection. After that, we propose a multiscale attention feature module. This module fuses the feature information from different layers and refines the features to enhance the Feature Pyramid Network. In addition, we introduce a spatial information aggregator. This enables the spatial information of the lower-layer feature maps to be fused into the higher-layer feature maps. The robustness of our proposed method is further demonstrated by experiments on GTSDB, CCTSDB2021 and TT100k datasets. Specifically, the average execution time on CCTSDB2021 demonstrates the excellent real-time performance of our method. The experimental results show that the method has better accuracy than the original YOLOv3 and YOLOv5 network models.

交通标志检测作为智能驾驶的重要组成部分，可以有效引导驾驶员规范驾驶，减少交通事故的发生。目前，基于深度学习的检测方法已经取得了非常好的性能。然而，现有的网络模型没有充分考虑低层特征对交通标志检测的重要性。缺乏低层特征的信息是准确检测交通标志的主要障碍。针对上述问题，我们提出了一种新颖高效的交通标志检测方法。首先，我们去除了 YOLOv3 网络模型的一个预测分支，以减少网络模型参数的冗余，提高检测的实时性。之后，我们提出了一个多尺度注意力特征模块。该模块融合了来自不同层的特征信息并细化了特征以增强特征金字塔网络。此外，我们引入了空间信息聚合器。这使得低层特征图的空间信息能够融合到高层特征图中。GTSDB、CCTSDB2021 和 TT100k 数据集的实验进一步证明了我们提出的方法的鲁棒性。具体来说，CCTSDB2021 上的平均执行时间证明了我们方法的出色实时性能。实验结果表明，该方法比原 YOLOv3 和 YOLOv5 网络模型具有更好的精度。这使得低层特征图的空间信息能够融合到高层特征图中。GTSDB、CCTSDB2021 和 TT100k 数据集的实验进一步证明了我们提出的方法的鲁棒性。具体来说，CCTSDB2021 上的平均执行时间证明了我们方法的出色实时性能。实验结果表明，该方法比原 YOLOv3 和 YOLOv5 网络模型具有更好的精度。这使得低层特征图的空间信息能够融合到高层特征图中。GTSDB、CCTSDB2021 和 TT100k 数据集的实验进一步证明了我们提出的方法的鲁棒性。具体来说，CCTSDB2021 上的平均执行时间证明了我们方法的出色实时性能。实验结果表明，该方法比原 YOLOv3 和 YOLOv5 网络模型具有更好的精度。