CN114267025A - 基于高分辨率网络与轻量注意力机制的交通标志检测方法 - Google Patents

Abstract

一种基于高分辨率网络与轻量注意力机制的交通标志检测方法，包括：构建数据集并进行数据预处理，构成训练集和测试集；搭建基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型，包括依次串接的：输入单元、用于提取图像特征的多分辨率网络单元、用于融合多尺度特征的多分辨率网络输出融合单元和输出预测单元。采用训练集对基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型进行训练；采用测试集对基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型进行测试。本发明在高分辨率网络中，通过并行连接高分辨率到低分辨率卷积来保持高分辨率表示，并通过重复跨并行的多尺度特征融合来增强高分辨率表示。

Description

基于高分辨率网络与轻量注意力机制的交通标志检测方法

技术领域

本发明涉及一种交通标志检测方法。特别是涉及一种基于高分辨率网络与轻量注意力机制的交通标志检测方法。

背景技术

交通标志包含丰富的交通信息，如车速限制、道路状况提示、行人状况提示等，是道路上的重要设施之一，可帮助驾驶员更好地了解实时道路信息，从而减少交通拥堵和交通事故的发生。交通标志检测也是自动驾驶系统中的一项重要功能，在实际应用中，由于交通标志形状规则、颜色鲜明，因此在研究早期，国内外学者主要通过结合多种图像处理方法解决交通标志检测问题。近年来，随着计算机的发展和硬件水平的不断提升，基于神经网络的检测方法得到广泛的使用，在交通标志检测领域中占据了重要地位。

专利“一种基于YOLOv4算法的交通标志检测方法”(中国,202110676065.8)通过使用轻量化骨干代替原有YOLOv4骨干减少模型的参数量；专利“一种基于区域注意力的交通标志检测方法”(中国，202110425906.8)通过在FasterR-CNN中引入注意力机制增加检测的准确率。上述方法采用Anchor-Based检测模型，该模型通过在特征图上设置密集的锚框，回归得到目标的边界。Anchor-Based模型具有较高的召回率，但也在计算锚框时花费了大量的计算资源。同时，锚框超参数(如锚框的数量、大小和宽高比)的设置对目标检测性能有较大影响，因此在使用Anchor-Based模型时，需要根据不同的数据集手动调整锚框的超参数。

发明内容

本发明所要解决的技术问题是，针对当前目标检测Anchor-Based模型的不足，提供一种能够直接预测目标的类别与位置基于高分辨率网络与轻量注意力机制的交通标志检测方法。

本发明所采用的技术方案是：一种基于高分辨率网络与轻量注意力机制的交通标志检测方法，包括如下步骤：

步骤1、构建数据集并进行数据预处理，构成训练集和测试集；

步骤2、搭建基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型，包括依次串接的：输入单元、用于提取图像特征的多分辨率网络单元、用于融合多尺度特征的多分辨率网络输出融合单元和输出预测单元。

步骤3、采用步骤1得到的训练集对基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型进行训练；

步骤4、采用步骤1得到的测试集对基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型进行测试。

步骤1中所述的数据集是采用清华大学和腾讯公开的中国交通标志数据集TT100K中的出现频次大于100的包含45类交通标志的数据用于进行神经网络的训练和测试；所述的数据预处理，是将原图像根据交通标志所在区域随机裁剪为512×512像素的图像，裁剪后的图像内包含一个以上交通标志，并根据原有注释文件，得到裁剪后图像中交通标志检测框的注释；裁剪后图像中不完整的交通标志用于模拟交通标志被遮挡时的情况。

是通过深度学习框架PyTorch搭建基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型，所述的输入单元包括：将输入的原始图像经过一个7×7卷积层进行浅层特征的初步提取得到特征图，所述的卷积层的卷积核大小为7×7、步长为2、输出通道数为64；将所述的特征图再依次经过1个BN层防止梯度消失，1个RELU激活函数层，以及1个步长为2、池化窗口为2×2的最大池化层后的特征图，构成多分辨率网络单元的输入。

步骤2中所述的多分辨率网络单元，包括：

将接收的特征图经过第一轻量注意力机制残差块再次进行特征提取后，分别进入第二轻量注意力机制残差块和通过第一池化卷积层进入第三轻量注意力机制残差块，第二轻量注意力机制残差块和第三轻量注意力机制残差块的输出均分别进入第一融合模块和第二融合模块，所述第一融合模块的输出进入第四轻量注意力机制残差块，第二融合模块的输出进入第五轻量注意力机制残差块，所述第三轻量注意力机制残差块的输出还通过第二池化卷积层进入第六轻量注意力机制残差块，所述第四轻量注意力机制残差块、第五轻量注意力机制残差块和第六轻量注意力机制残差块的输出均分别进入第三融合模块、第四融合模块和第五融合模块，所述第三融合模块的输出进入第七轻量注意力机制残差块，第四融合模块的输出进入第八轻量注意力机制残差块，第五融合模块的输出进入第九轻量注意力机制残差块，所述第六轻量注意力机制残差块的输出还通过第三池化卷积层进入第十轻量注意力机制残差块，所述第七轻量注意力机制残差块、第八轻量注意力机制残差块、第九轻量注意力机制残差块和第十轻量注意力机制残差块的输出均分别进入第六融合模块、第七融合模块、第八融合模块和第九融合模块，所述第六融合模块、第七融合模块、第八融合模块和第九融合模块的输出进入所述多分辨率网络输出融合单元。

所述的第一轻量注意力机制残差块、第二轻量注意力机制残差块、第三轻量注意力机制残差块、第四轻量注意力机制残差块、第五轻量注意力机制残差块、第六轻量注意力机制残差块、第七轻量注意力机制残差块、第八轻量注意力机制残差块、第九轻量注意力机制残差块和第十轻量注意力机制残差块结构相同，均是由四个轻量注意力机制残差层依次串接构成，每个轻量注意力机制残差层的残差映射部分有两个串接的3×3卷积模块，首个轻量注意力机制残差层的直接映射部分有一个对接收的特征图进行处理的1×1卷积模块，后面的三个轻量注意力机制残差层的直接映射部分不对接收的特征图进行处理，每个轻量注意力机制残差层的残差映射部分和直接映射部分的输出相加后进入轻量注意力机制模块，所述的轻量注意力机制模块构成所在轻量注意力机制残差层有输出。

所述的第一池化卷积层、第二池化卷积层和第三池化卷积层结构相同，均包括有依次串接的平均池化层、1×1卷积层BN层和RELU层。

所述的第一融合模块、第二融合模块、第三融合模块、第四融合模块、第五融合模块、第六融合模块、第七融合模块、第八融合模块和第九融合模块结构相同，均是将接收的多个特征图的对应元素相加。

步骤2中所述的融合多尺度特征的多分辨率网络输出融合单元包括：第一双线性插值、第二双线性插值、第三双线性插值、通道维度拼接层和轻量注意力机制，所述第一双线性插值、第二双线性插值、第三双线性插值分别分别对应接收多分辨率网络单元中的第七融合模块、第八融合模块和第九融合模块的输出，所述第一双线性插值、第二双线性插值、第三双线性插值的输出和多分辨率网络单元中的第六融合模块的输出共同通过通道维度拼接层进入轻量注意力机制，所述轻量注意力机制的输出进入输出预测单元。

所述的轻量注意力机制模块包括有：由依次串接的全局平均池化层、第一压缩层、第一一维卷积层和第一维度扩张层构成的第一路，由依次串接的全局最大池化层、第二压缩层、第二一维卷积层和第二维度扩张层构成的第二路，其中，全局平均池化层和全局最大池化层接收输入特征图，第一路和第二路的输出特征图相加后经过Sigmoid层后再与输入特征图相乘，得到轻量注意力机制模块的输出。

步骤2中所述的输出预测单元包括有结构相同的三条支路，每条支路均是由串接的3×3 卷积模块和1×1卷积模块构成，三条支路的输入连接多分辨率网络输出融合单元的输出，第一条支路用于预测45类交通标志检测框的中心点位置；第二条支路用于预测每一类交通标志的宽和高；第三条支路用于预测中心点的偏移量；通过这三条支路的预测信息表示出图像中交通标志的位置和种类。

本发明的基于高分辨率网络与轻量注意力机制的交通标志检测方法，使用高分辨率网络进行特征提取和融合。在高分辨率网络中，通过并行连接高分辨率到低分辨率卷积来保持高分辨率表示，并通过重复跨并行的多尺度特征融合来增强高分辨率表示。使神经网络最后输出的特征图具有各种尺寸目标的信息，不仅能轻易区分大尺寸的目标，也能提高对小目标的检测效果。本发明利用轻量级的注意力机制，该通道注意力机制通过一维卷积实现相邻通道的交互，一维卷积在模型中引入的参数较小，可以捕获通道之间的重要程度。在此基础上，增大重要通道参数的权重，减小非重要通道参数的权重，使得神经网络把注意力集中在重要的参数上。本发明具有如下有益效果：

1、神经网络并行连接高分辨率到低分辨率的单元，在特征图提取过程中能保持多分辨率的表达，充分考虑到了真实场景下交通标志的多尺度特征，预测的热图在空间上更加精确。

2、并行的多分辨率单元中引入了信息交流通路，因此各个单元可以得到来自其他单元的多尺度特征信息，每个单元具有更强的多尺度特征表征能力。

3、神经网络中的基本模块是加入轻量注意力机制的残差模块。轻量注意力机制通过一维卷积实现，只引入少量的参数，并在全局池化时同时使用了平均池化和最大池化两种池化方式，更充分的考虑每个通道的特征信息。在交通标志检测中，注意力机制增大对检测效果更有效的通道权重，减少无效通道的权重，从而提升检测性能。

4、多分辨率单元输出融合时，在通道维上连接每个单元的输出特征，保留每个单元的特征信息，并通过轻量通道注意力机制增加有效单元通道的权重，更有效地保留和利用多尺度特征。

附图说明

图1是本发明基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型结构图；

图2是本发明中池化卷积层的结构示意图；

图3是本发明中3×3卷积模块结构示意图；

图4是本发明中1×1卷积模块结构示意图；

图5本发明中轻量注意力机制残差块结构示意图；

图6是本发明中轻量注意力机制结构示意图；

图7是采用本发明方法的效果图。

具体实施方式

下面结合实施例和附图对本发明的基于高分辨率网络与轻量注意力机制的交通标志检测方法做出详细说明。

本发明的基于高分辨率网络与轻量注意力机制的交通标志检测方法，，包括如下步骤：

步骤1、构建数据集并进行数据预处理，构成训练集和测试集；其中，

所述的数据集是采用清华大学和腾讯公开的中国交通标志数据集TT100K中的出现频次大于100的包含45类交通标志的数据用于进行神经网络的训练和测试；所述的数据预处理，是将原图像根据交通标志所在区域随机裁剪为512×512像素的图像，裁剪后的图像内包含一个以上交通标志，并根据原有注释文件，得到裁剪后图像中交通标志检测框的注释；裁剪后图像中不完整的交通标志用于模拟交通标志被遮挡时的情况，不需要额外处理。这一步预处理使得网络更关注于前景特征的学习。并且输入网络的图像分辨率降低，从而训练的速度得到提高，减少对GPU显存的要求。

步骤2、搭建基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型，如图1 所示，包括依次串接的：输入单元1、用于提取图像特征的多分辨率网络单元2、用于融合多尺度特征的多分辨率网络输出融合单元3和输出预测单元4。本发明是通过深度学习框架 PyTorch搭建基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型，其中，

(1)所述的输入单元1包括：将输入的原始图像经过一个7×7卷积层进行浅层特征的初步提取得到特征图，所述的卷积层的卷积核大小为7×7、步长为2、输出通道数为64；将所述的特征图再依次经过1个BN层防止梯度消失，1个RELU激活函数层，以及1个步长为2、池化窗口为2×2的最大池化层后的特征图，构成多分辨率网络单元2的输入。

(2)所述的多分辨率网络单元2，包括：

将接收的特征图经过第一轻量注意力机制残差块再次进行特征提取后，分别进入第二轻量注意力机制残差块和通过第一池化卷积层进入第三轻量注意力机制残差块，第二轻量注意力机制残差块和第三轻量注意力机制残差块的输出均分别进入第一融合模块和第二融合模块，所述第一融合模块的输出进入第四轻量注意力机制残差块，第二融合模块的输出进入第五轻量注意力机制残差块，所述第三轻量注意力机制残差块的输出还通过第二池化卷积层进入第六轻量注意力机制残差块，所述第四轻量注意力机制残差块、第五轻量注意力机制残差块和第六轻量注意力机制残差块的输出均分别进入第三融合模块、第四融合模块和第五融合模块，所述第三融合模块的输出进入第七轻量注意力机制残差块，第四融合模块的输出进入第八轻量注意力机制残差块，第五融合模块的输出进入第九轻量注意力机制残差块，所述第六轻量注意力机制残差块的输出还通过第三池化卷积层进入第十轻量注意力机制残差块，所述第七轻量注意力机制残差块、第八轻量注意力机制残差块、第九轻量注意力机制残差块和第十轻量注意力机制残差块的输出均分别进入第六融合模块、第七融合模块、第八融合模块和第九融合模块，所述第六融合模块、第七融合模块、第八融合模块和第九融合模块的输出进入所述多分辨率网络输出融合单元3。其中，

(2.1)所述的第一轻量注意力机制残差块、第二轻量注意力机制残差块、第三轻量注意力机制残差块、第四轻量注意力机制残差块、第五轻量注意力机制残差块、第六轻量注意力机制残差块、第七轻量注意力机制残差块、第八轻量注意力机制残差块、第九轻量注意力机制残差块和第十轻量注意力机制残差块结构相同，如图5所示，均是由四个轻量注意力机制残差层依次串接构成，每个轻量注意力机制残差层的残差映射部分有两个串接的3×3卷积模块，首个轻量注意力机制残差层的直接映射部分有一个对接收的特征图进行处理的1×1卷积模块，后面的三个轻量注意力机制残差层的直接映射部分不对接收的特征图进行处理，每个轻量注意力机制残差层的残差映射部分和直接映射部分的输出相加后进入轻量注意力机制模块，所述的轻量注意力机制模块构成所在轻量注意力机制残差层有输出。

如图6所示，所述的轻量注意力机制模块包括有：由依次串接的全局平均池化层、第一压缩层、第一一维卷积层和第一维度扩张层构成的第一路，由依次串接的全局最大池化层、第二压缩层、第二一维卷积层和第二维度扩张层构成的第二路，其中，全局平均池化层和全局最大池化层接收输入特征图，第一路和第二路的输出特征图相加后经过Sigmoid层后再与输入特征图相乘，得到轻量注意力机制模块的输出。

(2.2)如图2所示，所述的第一池化卷积层、第二池化卷积层和第三池化卷积层结构相同，均包括有依次串接的平均池化层、1×1卷积层BN层和RELU层。

(2.3)所述的第一融合模块、第二融合模块、第三融合模块、第四融合模块、第五融合模块、第六融合模块、第七融合模块、第八融合模块和第九融合模块结构相同，均是将接收的多个特征图的对应元素相加。

(3)所述的融合多尺度特征的多分辨率网络输出融合单元3包括：第一双线性插值、第二双线性插值、第三双线性插值、通道维度拼接层和轻量注意力机制模块，所述第一双线性插值、第二双线性插值、第三双线性插值分别分别对应接收多分辨率网络单元2中的第七融合模块、第八融合模块和第九融合模块的输出，所述第一双线性插值、第二双线性插值、第三双线性插值的输出和多分辨率网络单元2中的第六融合模块的输出共同通过通道维度拼接层进入轻量注意力机制，所述轻量注意力机制的输出进入输出预测单元4。

所述的轻量注意力机制模块包括有：由依次串接的全局平均池化层、第一压缩层、第一一维卷积层和第一维度扩张层构成的第一路，由依次串接的全局最大池化层、第二压缩层、第二一维卷积层和第二维度扩张层构成的第二路，其中，全局平均池化层和全局最大池化层接收输入特征图，第一路和第二路的输出特征图相加后经过Sigmoid层后再与输入特征图相乘，得到轻量注意力机制模块的输出。

(4)所述的输出预测单元4包括有结构相同的三条支路，每条支路均是由串接的3×3 卷积模块和1×1卷积模块构成，三条支路的输入连接多分辨率网络输出融合单元3的输出，第一条支路用于预测45类交通标志检测框的中心点位置；第二条支路用于预测每一类交通标志的宽和高；第三条支路用于预测中心点的偏移量；通过这三条支路的预测信息表示出图像中交通标志的位置和种类。

3×3卷积模块和1×1卷积模块如图3、图4所示。

步骤3、采用步骤1得到的训练集对基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型进行训练；通过正向传播得到交通标志的类别信息与检测框的位置信息。计算基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型预测得到的交通标志类别与位置信息和真实交通标志中标签信息的误差。误差项由输出层向隐藏层逐层的反向传播，更新神经网络参数，使用ADAM优化器不断反馈优化。

训练中，一个批次包含4张图象，迭代次数设置为120，即整个模型需要训练120轮，初始学习率设置为1.25×10^-4，并在迭代第60轮时，衰减至1.25×10^-5。将训练好的模型参数保存。

步骤4、采用步骤1得到的测试集对基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型进行测试；

采用查准率(Precision)和查全率(Recall)来衡量本发明的基于高分辨率网络与轻量注意力机制的交通标志检测方法效果。输入3073张测试集图片进行检测与计算后，计算出查准率＝0.91，查全率＝0.93。

Claims (10)

1.一种基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，包括如下步骤：

步骤1、构建数据集并进行数据预处理，构成训练集和测试集；

步骤2、搭建基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型，包括依次串接的：输入单元(1)、用于提取图像特征的多分辨率网络单元(2)、用于融合多尺度特征的多分辨率网络输出融合单元(3)和输出预测单元(4)；

步骤3、采用步骤1得到的训练集对基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型进行训练；

步骤4、采用步骤1得到的测试集对基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型进行测试。

2.根据权利要求1所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，步骤1中所述的数据集是采用清华大学和腾讯公开的中国交通标志数据集TT100K中的出现频次大于100的包含45类交通标志的数据用于进行神经网络的训练和测试；所述的数据预处理，是将原图像根据交通标志所在区域随机裁剪为512×512像素的图像，裁剪后的图像内包含一个以上交通标志，并根据原有注释文件，得到裁剪后图像中交通标志检测框的注释；裁剪后图像中不完整的交通标志用于模拟交通标志被遮挡时的情况。

3.根据权利要求1所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，步骤2是通过深度学习框架PyTorch搭建基于高分辨率网络与轻量注意力机制的交通标志识别神经网络模型，所述的输入单元(1)包括：将输入的原始图像经过一个7×7卷积层进行浅层特征的初步提取得到特征图，所述的卷积层的卷积核大小为7×7、步长为2、输出通道数为64；将所述的特征图再依次经过1个BN层防止梯度消失，1个RELU激活函数层，以及1个步长为2、池化窗口为2×2的最大池化层后的特征图，构成多分辨率网络单元(2)的输入。

4.根据权利要求1所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，步骤2中所述的多分辨率网络单元(2)，包括：

将接收的特征图经过第一轻量注意力机制残差块再次进行特征提取后，分别进入第二轻量注意力机制残差块和通过第一池化卷积层进入第三轻量注意力机制残差块，第二轻量注意力机制残差块和第三轻量注意力机制残差块的输出均分别进入第一融合模块和第二融合模块，所述第一融合模块的输出进入第四轻量注意力机制残差块，第二融合模块的输出进入第五轻量注意力机制残差块，所述第三轻量注意力机制残差块的输出还通过第二池化卷积层进入第六轻量注意力机制残差块，所述第四轻量注意力机制残差块、第五轻量注意力机制残差块和第六轻量注意力机制残差块的输出均分别进入第三融合模块、第四融合模块和第五融合模块，所述第三融合模块的输出进入第七轻量注意力机制残差块，第四融合模块的输出进入第八轻量注意力机制残差块，第五融合模块的输出进入第九轻量注意力机制残差块，所述第六轻量注意力机制残差块的输出还通过第三池化卷积层进入第十轻量注意力机制残差块，所述第七轻量注意力机制残差块、第八轻量注意力机制残差块、第九轻量注意力机制残差块和第十轻量注意力机制残差块的输出均分别进入第六融合模块、第七融合模块、第八融合模块和第九融合模块，所述第六融合模块、第七融合模块、第八融合模块和第九融合模块的输出进入所述多分辨率网络输出融合单元(3)。

5.根据权利要求4所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，所述的第一轻量注意力机制残差块、第二轻量注意力机制残差块、第三轻量注意力机制残差块、第四轻量注意力机制残差块、第五轻量注意力机制残差块、第六轻量注意力机制残差块、第七轻量注意力机制残差块、第八轻量注意力机制残差块、第九轻量注意力机制残差块和第十轻量注意力机制残差块结构相同，均是由四个轻量注意力机制残差层依次串接构成，每个轻量注意力机制残差层的残差映射部分有两个串接的3×3卷积模块，首个轻量注意力机制残差层的直接映射部分有一个对接收的特征图进行处理的1×1卷积模块，后面的三个轻量注意力机制残差层的直接映射部分不对接收的特征图进行处理，每个轻量注意力机制残差层的残差映射部分和直接映射部分的输出相加后进入轻量注意力机制模块，所述的轻量注意力机制模块构成所在轻量注意力机制残差层有输出。

6.根据权利要求4所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，所述的第一池化卷积层、第二池化卷积层和第三池化卷积层结构相同，均包括有依次串接的平均池化层、1×1卷积层BN层和RELU层。

7.根据权利要求4所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，所述的第一融合模块、第二融合模块、第三融合模块、第四融合模块、第五融合模块、第六融合模块、第七融合模块、第八融合模块和第九融合模块结构相同，均是将接收的多个特征图的对应元素相加。

8.根据权利要求1所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，步骤2中所述的融合多尺度特征的多分辨率网络输出融合单元(3)包括：第一双线性插值、第二双线性插值、第三双线性插值、通道维度拼接层和轻量注意力机制，所述第一双线性插值、第二双线性插值、第三双线性插值分别分别对应接收多分辨率网络单元(2)中的第七融合模块、第八融合模块和第九融合模块的输出，所述第一双线性插值、第二双线性插值、第三双线性插值的输出和多分辨率网络单元(2)中的第六融合模块的输出共同通过通道维度拼接层进入轻量注意力机制，所述轻量注意力机制的输出进入输出预测单元(4)。

9.根据权利要求5或8所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，所述的轻量注意力机制模块包括有：由依次串接的全局平均池化层、第一压缩层、第一一维卷积层和第一维度扩张层构成的第一路，由依次串接的全局最大池化层、第二压缩层、第二一维卷积层和第二维度扩张层构成的第二路，其中，全局平均池化层和全局最大池化层接收输入特征图，第一路和第二路的输出特征图相加后经过Sigmoid层后再与输入特征图相乘，得到轻量注意力机制模块的输出。

10.根据权利要求1所述的基于高分辨率网络与轻量注意力机制的交通标志检测方法，其特征在于，步骤2中所述的输出预测单元(4)包括有结构相同的三条支路，每条支路均是由串接的3×3卷积模块和1×1卷积模块构成，三条支路的输入连接多分辨率网络输出融合单元(3)的输出，第一条支路用于预测45类交通标志检测框的中心点位置；第二条支路用于预测每一类交通标志的宽和高；第三条支路用于预测中心点的偏移量；通过这三条支路的预测信息表示出图像中交通标志的位置和种类。

Images