摘要

交通标志检测是智能驾驶领域的重要研究方向。然而，现有方法往往忽视了雾天、雨天及运动模糊等极端环境条件。此外，图像去噪与目标检测模型的端到端训练策略难以有效利用模型间的相互信息。针对上述问题，本文提出CCSPNet——一种基于上下文变换器（Contextual Transformer）与卷积神经网络（CNN）的高效特征提取模块，能够有效融合图像的静态与动态特征，实现更快的推理速度，并具备更强的特征增强能力。进一步地，我们揭示了目标检测与图像去噪任务之间的内在关联，提出一种联合训练模型CCSPNet-Joint，以提升数据利用效率与模型泛化能力。最后，为验证所提方法的有效性，我们构建了面向极端场景下交通标志检测的CCTSDB-AUG数据集。大量实验结果表明，CCSPNet在极端条件下的交通标志检测任务中达到了当前最优性能；相较于端到端方法，CCSPNet-Joint在精度上提升5.32%，在mAP@0.5指标上提升18.09%。