编辑推荐：
传统交通标志逆反射性检测方法存在诸多局限，研究人员开展 SAAM-ReflectNet 深度学习框架研究。该框架统一交通标志检测、分类和逆反射率估算，实验表现出色。这为智能交通和标志维护提供新工具，提升道路安全。
在现代交通体系中，交通标志如同道路的无声守护者，为驾驶员和自动驾驶车辆提供关键指引。然而，当夜幕降临或是遭遇恶劣天气，交通标志的可见性大打折扣，而这背后的关键因素就是逆反射性（retroreflectivity）。逆反射性决定了交通标志在光线不佳时能否将光线反射回光源方向，从而被清晰识别。据统计，夜间驾驶虽仅占总行驶里程的 20%，但死亡事故却是白天的三倍之多，这使得保持交通标志的高逆反射性标准变得至关重要。
传统确保交通标志逆反射性合规的方法，是一种繁琐的两步流程。首先要通过人工实地调查或基础图像处理技术识别和分类交通标志，然后再使用手持逆反射仪等专业设备到现场测量逆反射性。这种方式不仅耗费大量人力和时间，而且在大规模或频繁评估时，检测与测量阶段的数据很容易出现偏差。新兴的激光雷达（LiDAR）技术虽能远程获取与逆反射性密切相关的强度数据，展现出巨大潜力，但由于缺乏大规模点云数据的标准化预处理方法，不同激光雷达系统的数据格式、噪声水平和强度校准存在差异，限制了其在交通标志评估中的广泛应用。因此，开发一种高效且可扩展的系统，能一步完成交通标志的综合评估迫在眉睫。
为了解决这些难题，研究人员开展了关于 SAAM-ReflectNet 的研究。这是一种多任务深度学习架构，将交通标志检测、分类和逆反射率估算整合到一个统一系统中。该研究成果具有重要意义，为智能交通系统（Intelligent Transportation Systems）和主动式交通标志维护提供了创新工具，有望推动行业变革。此研究成果发表于《Expert Systems with Applications》。
研究人员在开展此项研究时，运用了多个关键技术方法。他们设计了专门的 RetroNet 骨干网络，通过引入特殊的细化层，优化每个任务的特征，减少任务间干扰。还创建了 Sign-Aware Attention Module（SAAM），动态分配注意力到相关特征，提升任务精度。同时，将 LiDAR 强度数据作为逆反射率测量的替代指标，并开发了标准化的 LiDAR 数据预处理流程，实现与深度学习模型的无缝融合。
研究结果
- 模型设计与架构：SAAM-ReflectNet 框架核心包括 SAAM 和 RetroNet 骨干网络。SAAM 动态关注与检测、分类和逆反射率估算任务相关的特征，有效抑制背景噪声。RetroNet 骨干网络针对多任务场景，通过特殊细化层分离和优化特征，减少任务间干扰，确保检测和逆反射率预测的高精度。
- 实验评估：研究使用多模态数据集，包含同步的 RGB 图像和 LiDAR 强度图，对 SAAM-ReflectNet 框架进行全面评估。在检测和分类任务中，模型达到了较高精度，平均精度均值（mAP）在 IoU=0.5 时为 0.635，在 IoU 从 0.5 到 0.95 的范围内为 0.522。在逆反射率估算任务中，前景均方根误差（RMSE）为 0.169，背景为 0.147 。经过 15 次评估运行，与所有基线相比，该模型性能提升具有统计学意义（p < 0.05），证明了其一致性和可靠性。
- 消融研究与增强方法影响：通过定性结果和消融研究，验证了关键架构组件的贡献。研究还探讨了四种增强方法对模型的影响，进一步优化了模型性能。
研究结论与讨论
SAAM-ReflectNet 成功将交通标志检测、分类和逆反射率回归整合为一个自动化系统。RetroNet 骨干网络结合渐进式特征细化块（Progressive Feature Refinement Blocks，PFRBs），在不同尺度上优化空间和语义特征，以 8620 万个参数和 203.9 GFLOPs 的计算量实现了卓越性能，同时保持计算效率。该框架有效解决了传统方法的不足，充分利用现代传感技术，实现了交通标志的全面、可扩展评估。这不仅提高了道路安全管理的效率，还为智能交通领域的发展提供了新的方向，有望推动主动式交通标志维护策略的广泛应用，提升整个交通系统的智能化水平和安全性。
