1.一种基于改进VFNet算法的交通标志检测方法，其特征在于包含如下步骤：

步骤1：准备交通标志检测数据集，交通标志检测数据集包含训练集和测试集两个部分，并对交通标志检测数据集进行格式转换，转换为MS  COCO格式；

步骤2：改进VFNet网络模型；

步骤2 .1：在VFNet的主干网ResNet50的最后一层后面加入设计的上下文信息增强模块，用于从多种不同大小的感受野中获取上下文信息；

步骤2 .2：在VFNet的检测头的分类分支加入一个跳跃连接，绕过3个3×3卷积、GroupNormalization层、ReLU激活函数，然后和3个3×3卷积、Group  Normalization层、ReLU激活函数后的特征相加，相加后使用一个ReLU激活函数增强网络的非线性能力；

步骤3：将训练集输入经步骤2改进后的VFNet网络进行训练，并保存最优的模型；

步骤4：将测试集输入训练保存的最优模型中进行测试，验证改进后的模型的检测效果；

所述步骤2.1中：在VFNet的主干网ResNet50的最后一层后面加入设计的上下文信息增强模块，上下文信息增强模块首先进行空间信息的混合，然后进行通道信息的混合，空间信息的混合部分首先使用SPPF模块产生多种不同大小的感受野，然后在经过sigmoid激活函数后和输入特征相乘，使C5层获取多种不同大小的感受野，从多种不同大小的感受野中获取上下文信息，有助于检测图片中各种不同大小的交通标志，之后使用一个可随梯度更新的参数a，为每个通道提供一个可随梯度更新的参数；通道信息的混合使用一个两层的MLP结构，这个两层的MLP结构由一个Group  Normalization层、两层1×1卷积、一个GeLU激活函数、一个可随梯度更新的参数b以及一个残差边组成，这个两层的MLP结构首先使用一个Group  Normalization层，然后使用一个1×1卷积将通道数变为原来的4倍，这个1×1卷积后有一个GeLU激活函数用于增加网络模型的非线性，GeLU激活函数后使用一个1×1卷积将通道数还原为输入到MLP的特征图的通道数，最后使用一个可随梯度更新的参数b，为每个通道提供一个可随梯度更新的参数，从输入引入一个跳跃连接绕过Group  Normalization层、两层1×1卷积、一个GeLU激活函数、一个可随梯度更新的参数b，和可随梯度更新的参数b后的特征图相加得到输出结果；

上下文信息增强模块的计算过程表示为：Attention＝σs(SPPF(I))

上式中，SPPF表示SPPF模块，σs表示sigmoid激活函数，I为输入张量，表示对应位置元素相乘操作，GN表示Group  Normalization操作，Conv1×1表示1×1卷积操作，a、b表示可随梯度更新的参数，为每个通道提供一个可随梯度更新的参数；

改进后的分类分支表示为：y＝σ(x+h(x))

其中x表示输入，h(x)表示经过连续的3个3×3卷积、Group  Normalization层、ReLU激活函数后的特征图，σ表示ReLU激活函数；

根据链式法则，反向回传的梯度表示为：

从对分类分支输入的梯度计算公式看出，相比原来的不使用残差边使输入信息直接传递到连续的3个3×3卷积、Group  Normalization层、ReLU激活函数后面。

2.根据权利要求1所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：所述步骤1中交通标志检测数据集使用TT100K数据集和DFG数据集，每个数据集都包括训练集和测试集，TT100K数据集图片的分辨率为2048×2048像素，包括221个类别，其中45个类别包括至少100个实例，DFG数据集包含200个类别，每个类别包含至少20个交通标志实例，数据集中交通标志实例的边界框大小至少为30像素。

3.根据权利要求1所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：所述步骤3中实验使用Ubuntu  20.04操作系统，Python语言，PyTorch深度学习框架，目标检测工具箱mmdetection，在TT100K数据集和DFG数据集的预处理中，将TT100K数据集的输入图片的大小调整为1280×1280，将DFG数据集的输入图片的大小调整为1333×800。

4.根据权利要求3所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：在交通标志检测网络的训练过程中，数据增强使用随机水平翻转，batch  size设置为2，使用SGD优化器，动量设置为0.9，权重衰减设置为0.0001，训练epoch数设置为20epoch，前500次迭代是预热阶段，使用线性预热方法，初始学习率设置为0.00125，学习率在第15个epoch后变为原来的十分之一，在第18个epoch后再变为原来的十分之一，保存最优的网络模型用于测试。

5.根据权利要求1所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：所述步骤4中用于定量评估的实验评价指标，使用平均准确率mAP来评估提出的基于改进VFNet算法的交通标志检测方法。

6.根据权利要求5所述的一种基于改进VFNet算法的交通标志检测方法，其特征在于：mAP是一个数据集中所有类别的平均准确率AP的平均值，反映了在从0.5到0.95的交并比下检测结果是否准确，交并比变化的步长为0.05，mAP的计算过程如下所示：其中P代表准确率，R代表召回率，AP代表平均准确率，N是数据集包含的类别数，APi代表在某一特定类别中计算的AP，mAP是所有类别的AP的平均值。