Research on the application of artificial intelligence and multi-scale image fusion technology to pedestrian detection in complex street view
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
With the increasing face imaging data and the advancement of artificial intelligence (AI) technology, computer-aided monitoring systems are crucial for pedestrian detection in dense street view. However, due to occlusion and small pedestrian scale, pedestrian false alarms and missed detection problems become more and more serious. Therefore, this paper proposes a pedestrian detection model, YOLOv10s-pedestrian. Firstly, CA attention is introduced to redesign the MBConv module, resulting in an efficient MB-CANet backbone for pedestrian feature extraction, enhancing the accurate localization of densely occluded pedestrians. Secondly, a novel C2FN structure was created to reduce the number of parameters while improving the model's accuracy. Additionally, inspired by the BiFPN feature fusion concept, a Bi-C2FN-FPN network structure is proposed to effectively fuse features from different depth sources, strengthening feature fusion and improving pedestrian detection accuracy. Finally, the MPDIOU loss function replaces the original CIoU loss function to enhance anchor box localization. Experimental results demonstrate that the proposed model achieves a mAP50 of 95.6% on the WiderPerson pedestrian detection dataset, which is a 6.1% improvement over the original model, with a recall rate of 86.2%, showcasing excellent detection performance. Compared to several mainstream object detection models, the proposed model also exhibits superior performance.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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