A Robust Vehicle Detection Approach based on Faster R-CNN Algorithm
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
Video-based Intelligent Transportation Systems (V-ITS) can play an important role in developing a wide range of applications in transportation field. These systems use the outputs of video cameras to extract desired information by the means of various Artificial Intelligence techniques. Considering impressive advantages of applying Deep Neural Networks (DNNs) in different fields of object detection and classification, these methods have attracted a huge attention among researchers in recent years. In this regard, Convolutional Neural Networks (CNNs) as an important class of DNNs have been used for visual imagery goals in a wide variety of applications such as image recognition and video analysis, and even made their way through ITS applications. One of the most important steps of V-ITS applications is the process of vehicle detection in video frames and the high accuracy rate in this step can provide applicable data for other complementary modules such as vehicle tracking and classification. In this paper, a robust method to detect vehicles in video frames based on CNNs is proposed which provides an almost real-time performance and impressive accuracy. To overcome the challenges of building a precise vehicle detection model from still images, we have transformed the main architecture of a pre-trained ResNet-50 residual network to Faster Region-based Convolutional Neural Network (Faster R-CNN). Experimental results show that the system's sensitivity factor is 0.985 and it needs an average of 74 milliseconds to detect vehicles in real condition data. Consequently, our method can provide acceptable results in vehicle detection in terms of accuracy and execution time.
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 | 0,000 | 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