A Hybrid Framework for Object Distance Estimation using a Monocular Camera
Notice bibliographique
Résumé
Object distance estimation using the monocular camera is a challenging problem in computer vision with many practical applications. Various algorithms are developed for distance estimation using a monocular camera; some involve traditional techniques, while others are based on Deep Learning (DL). Both methods have limitations, such as requiring camera calibration parameters, limited distance estimation range, or the object of interest should be relatively large to get accurate distance estimation. Due to these drawbacks, such algorithms cannot be easily generalized for many practical applications. In this paper, we propose a hybrid monocular distance estimation framework that consists of You Look Only Once version 7 (YOLOv7) algorithm for visual object detection and linear regression model for distance estimation. For our use case, this framework is trained on our field-captured Unmanned Aerial Vehicle (UAV) dataset to detect and estimate distance of UAVs. The dataset includes videos of UAVs obtained from different Point of View (POV) using a Pan-Tilt-Zoom (PTZ) camera that captures and tracks UAVs in the large field of view. Video frames are synchronized with the distance range data obtained from Radio Detection and Ranging (RADAR) sensor which will act as ground truth for regression model. The regression model is trained on input features such as bounding box coordinates, the average number of red, blue, and yellow pixels within the bounding box, and embedded features of detected objects obtained from YOLOv7 and output were RADAR range measurements. Trained UAV detection network has mAP0.5of 0.854, mAP.5:.95of 0.595 and distance estimation regressor has Mean Squared Error (MSE) of 0.06375 on independent test set. We validated this framework on our field dataset and demonstrated that our approach could detect and estimate distance efficiently and accurately. This framework can be extended for any real-world monocular distance estimation use case just by retraining the YOLOv7 model for desired object detection class and regression model for object-specific distance estimation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».