Real-Time Vehicle Make and Model Recognition Based on a Bag of SURF Features
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we propose and evaluate unexplored approaches for real-time automated vehicle make and model recognition (VMMR) based on a bag of speeded-up robust features (BoSURF) and demonstrate the suitability of these approaches for vehicle identification systems. The proposed approaches use SURF features of vehicles' front- or rear-facing images and retain the dominant characteristic features (codewords) in a dictionary. Two schemes of dictionary building are evaluated: “single dictionary” and “modular dictionary.” Based on the optimized dictionaries, the SURF features of vehicles' front- or rear-face images are embedded into BoSURF histograms, which are used to train multiclass support vector machines (SVMs) for classification. Two real-time VMMR classification schemes are proposed and evaluated: a single multiclass SVM and an ensemble of multiclass SVM based on attribute bagging. The processing speed and accuracy of the VMMR system are affected greatly by the size of the dictionary. The tradeoff between speed and accuracy is studied to determine optimal dictionary sizes for the VMMR problem. The effectiveness of our approaches is demonstrated through cross-validation tests on a recent publicly accessible VMMR data set. The experimental results prove the superiority of our work over the state of the art, in terms of both processing speed and accuracy, making it highly applicable to real-time VMMR systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle