[2017][***]Detecting Small Signs from Large Images

1. 인용 논문
Traffic-sign detection and classification in the wild
Zhe Zhu, Dun Liang, Songhai Zhang, Xiaolei Huang, Baoli Li, Shimin Hu; 
The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 2110-2118

2. 인용 부분

-Page 1,3
Thus, in this paper, a sign detection database [9] consisting of images collected
under real world conditions is employed to evaluate the
proposed approach.

-Page 5
The Tsinghua traffic sign detection database [9] is composed of 10,000 images containing 100 classes of traffic
signs with a resolution of 2048 × 2048.

-Page 6
1) Data Preparation: Following the configurations in [9],
only traffic signs of 45 classes, whose numbers of instances
in the dataset are larger than 100, are selected for evaluating
the proposed framework. Examples of signs selected for
experiment in this work as well as their notations are shown
in Fig. 4. The data is prepared for training as described in
Sec. III-B1

The recall-accuracy curves for two state-of-the-art methods, i.e., Fast-RCNN and Zhu et al. [9], and the proposed approach are plotted in Fig. 5. The curves for Fast-RCNN and
Zhu et al. are adopted from [9].

- Page 7
Overall, FastRCNN has a recall of 0.56 and an accuracy of 0.50, Zhu el al. achieved a recall of 0.91 and an accuracy 0.88, while our approach has a recall of 0.93 and an accuracy of 0.90.