[2019][***]Traffic Sign Detection Using a Multi-Scale Recurrent Attention Network

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

• Experiments on the German Traffic Sign Detection Benchmark (GTSDB) [9] and the Tsinghua-Tencent
100K (TT-100K) data set [10] show that the proposed approach is competitive when compared with state-ofthe-art approaches for traffic sign detection.

 

- Page 3

 

- Page 5

We verify our proposed approach on the GTSDB [9] and the TT-100K data set [10].

 

We use evaluation criteria that others have used in published research in order to compare our work on the same datasets to state-of-the-art approaches. For this reason, we use area under curve (AUC) values as the evaluation measure in the GTSDB
data set, and precision-recall for the evaluation criteria for the TT-100K data set. 

 

- Page 6

- Page 7

- Page 8

By using information from different tasks (refer again to Fig. 8), the ’TT-100K Benchmark’ approach improves detection effectiveness, that is, the precision is 84.8% when the  recall is 92.3%. ’Perceptual GAN’ raises precision by 1.0% owing to its effective generator which acquires super-resolved feature maps for things like traffic signs. Based on the SSD, ’SOS-CNN’ employs multi-scale analysis in both image and feature maps, and as a result, it effectively improves recall. Our  approach also employs multi-scale analysis, and the recall and precision can be improved about 1.0% with the use of local context.