Shadow Detection and Elimination Technique for Vehicle Detection
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
One of the fundamental functions of traffic monitoring systems is vehicle detection. However, vehicle detection is typically hampered by the shadow problem. Objects are sometimes lost or their shapes are distorted because shadows are misunderstood to be elements of a vehicle. Shadows are a major problem for the current vehicle detecting technology. For video target segmentation, a moving shadow can be easily mistaken for a portion of the object due to their similarity, and the processing speed of classic shadow eradication methods is insufficient for a real-time intelligent transport system. For the purpose of removing shadows, a novel technique is suggested in this research. There are a number of issues that arise as a result of this, including the destruction of objects and the warping of their original shapes. Many algorithms, including deep learning ones, ignore the shadow problem, which contributes to the poor accuracy of vehicle recognition. The shadow problem can reduce the accuracy of vehicle detection, hence traditionally, vehicle detection has been a part of traffic monitoring structures. Vehicle components cast in a shadow may be misidentified, and users may have to deal with the loss of items or the distorting of their shapes. Since the problem could be caused by inaccurate data, the shadow reduction technique is the primary method for improving precision during the vehicle detection procedure. This research presents a method for removing shadows from an image by first identifying the foreground regions using edge data, and then detecting and removing the shadows using prior knowledge based on the image's grayscale data. According to the results of the performance analysis, the suggested method outperforms similar methods in detecting vehicles, hence it will be used in future Intelligent Transportation System deployments.
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