The Line Pressure Detection for Autonomous Vehicles Based on Deep Learning
Notice bibliographique
Résumé
Nowadays, vehicle line pressure detection is an important function of an intelligent transportation system. At present, the line pressure detection algorithms mainly include algorithms based on traditional features and models and algorithms based on deep learning. However, these algorithms also have shortcomings such as low detection accuracy or relying on specific scenarios. In this regard, this paper proposes a fast and accurate vehicle line detection algorithm based on deep learning for vehicle images. The algorithm builds a GooleNet-based FCN semantic segmentation network and adds a BN layer, 1 × 1 convolution, and FPN structure to improve the segmentation effect of the GooleNet-FCN network and reduce network parameters. The MobileNet-SSD (no pretrained model) network structure is used for vehicle detection. According to the relationship between the receptive field and the anchor, and then combined with specific data, the prediction branch of the network and the Default Box on the branch are modified and the FPN structure is added for feature fusion to form the final improved MobileNet-SSD network. The experimental results show that the algorithm takes an average time of 67.8 ms per frame, the detection rate of line pressing for a vehicle is 96.6%, and the deep learning models are 25.5 M and 19.2 M, respectively. The experimental results verify the effectiveness and practicality of the detection algorithm proposed in this paper.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».