Enhanced Cigarette Pack Counting via Image Enhancement Techniques and Advanced SAFECount Methodology
Notice bibliographique
Résumé
In the realm of cigarette pack counting systems, prevalent challenges persist, notably the low accuracy in count, limited adaptability to intricate scenes and varying environments, and a lack of responsiveness to diverse pack types and shapes.This study introduces an advanced method for cigarette pack counting, leveraging a combination of various image enhancement techniques and an improved Similarity-Aware Feature Enhancement block for object Counting (SAFECount) approach.The methodology comprises three integral modules: an image enhancement module, a feature extraction module, and a counting module.The image enhancement module, tasked with noise reduction and deblurring, ensures targeted enhancement effects on cigarette box images.To contend with the rapid shifts in cigarette pack appearances, this research integrates specialized color and boundary feature extraction networks with the SAFECount method.This integration facilitates the fusion of multi-scale, key semantic information, thus amplifying the model's detection efficacy.Addressing the scalability limitations prevalent in general models, the study employs a few-shot counting (FSC) approach, which endows the model with essential generalization and flexibility, requisite for practical applications, even with a minimal training dataset.Empirical analyses, conducted using actual data from the Zhongyan Corporation's cigarette pack dataset, substantiate the superiority of the proposed method in real-world warehouse environments.The method demonstrates a marked improvement in counting performance, evidenced by a Mean Absolute Error (MAE) of 1.71 and a Root Mean Square Error (RMSE) of 1.95.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».