A Comparative Analysis Employing Adaptive Layers of RCNN Technique and Transfer Learning Pre-Trained Networks
Notice bibliographique
Résumé
The study aimed to classify two classes of vehicles, Tuktuk and Motorcycle, using a modified RCNN model.The MAjN_IRAQ Dataset, created from a camera system in Baghdad city, was used for training, detection, and classification of some vehicles to allow them to enter some crowded streets of Baghdad and to prevent others from entering the same streets.New layers were added and the number and size of filters were changed, which led to improve the process of training, detection and classification of vehicles with high accuracy, which leads to improving the proposed model's performance.The results showed that the modified RCNN model performed better when trained for 80 epochs.It improved performance measures such as precision, recall, and F1 score measure.The model was compared to other transfer learning methods (Alex Net, VGG16, and VGG19) and showed superior results for the Tuktuk class.The training and testing time for the proposed RCNNmodified model was also lower compared to the other models.At 80 epochs, the precision for the Tuktuk class was approximately 0.94, while for the Motorcycle class, it was approximately 0.89.The TPR was higher for the Tuktuk class at approximately 0.93, while the lower value was approximately 0.84 for VGG16.When the VGG16 model was used, the F1 score was better in the Motorcycle category (about 0.95) but worse in the Tuktuk category (0.86%).Both the suggested RCNN-modified model and the Alex Net model worked well in a reasonable amount of time.
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 | 0,002 |
| 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 ».