Optimizing Convolutional Neural Networks for Real-Time Object Detection in Autonomous Vehicles
Notice bibliographique
Résumé
This study explores the optimization and reliability of convolutional neural network (CNN) models, namely YOLOv5, for real-time object detection in autonomous vehicles under varying environmental conditions. The study intends to evaluate the accuracy and speed of baseline models and optimized models based on the pruning, quantization, and knowledge distillation methods. With public datasets (KITTI, nuScenes, COCO) and local datasets from Islamabad and Karachi, the models were fine-tuned and trained to condition themselves to drive according to local driving conditions. Quantitatively, performance metrics such as mean Average Precision (mAP), frames per second (FPS), model size, and energy use were evaluated on high-end GPUs and embedded systems such as NVIDIA Jetson Xavier. Statistical tests such as paired t-tests and repeated measures ANOVA indicated that pruning decreases model size at the expense of slightly lower accuracy, quantization significantly accelerates inference while preserving good accuracy, and knowledge distillation achieves the optimal trade-off by retaining high accuracy and stability under harsh conditions such as low light, rain, and occlusion. These results emphasize the most essential trade-offs between efficiency and reliability in the deployment of deep models for autonomous vehicle perception systems. The research proposes using knowledge distillation via multi-condition learning and hardware-aware optimization to design reliable, real-time sufficient object detectors. This work establishes the practical deployment of efficient and reliable CNN models in autonomous vehicles for improved real-world performance and safety.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».