Improved Traffic Sign Detection Algorithm Based on Libra R-CNN
Notice bibliographique
Résumé
摘要： 随着人工智能领域的快速发展，深度学习在无人驾驶领域中的应用逐渐成熟，但是其中交通标志检测任务作为难点问题仍有很大的改进空间。城市道路下的交通标志检测具有环境复杂、小目标多、目标种类多且数量不平衡的特点，针对这些问题，提出基于Libra R-CNN进行改进的方案。Libra R-CNN目标检测网络是基于平衡提出的，能够较好应对目标种类多及数量不平衡问题，在Libra R-CNN网络的锚框提取样本阶段，使用GA-RPN生成锚框，从而在训练期间产生更精确、更多样化的样本，减少背景影响和小目标不好定位的问题，提高检测准确率。该方法通过试验验证了有效性。试验是在MS COCO 2017和交通标志数据集上进行的。改进后的Libra R-CNN的mAP提高了超2.7个百分点。试验结果表明，改进后的网络相比原有的目标检测网络性能有了显著提升。
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».