Master-Slave Convolutional Deep Architecture for Vehicle Identification and Type Classification
Notice bibliographique
Résumé
Video surveillance of road traffic plays an important role in highway safety and is an important application of intelligent transportation systems.One of the basic applications of intelligent transport systems is the detection and classification of vehicle types.The major problems encountered by these systems are the significant similarity between the vehicles, frequent occlusions on the highway, and low resolution of the surveillance cameras.This paper proposes a novel convolutional neural network architecture called master-slave convolutional deep architecture for vehicle detection and type classification.The basic concept of this architecture is twofold: a.The sequential operation of the two networks where the slave network only works if the master network detects vehicles in the road scene will allow a considerable reduction in the search area for vehicles.It will induce a significant reduction in processing time.b.A combination of deep-shallow neural networks allows the system to share the knowledge gained from the vehicles on two networks.The first (master) shallow learns the shape of vehicles while the second (slave) is responsible for learning all the details of vehicles to distinguish the different classes.The experimental results, performed on 3200 images, have shown that the favorable performance of the proposed CNN architecture allowed us to achieve successful detection with TPR of 92% and TNR of 95% and vehicle type classification with a considerable mean average precision of 93.38% where cars classification gives the highest rate (98.63%).
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 ».