骆驼车辆碰撞减轻系统的计算机视觉

Jan, 2023

骆驼车辆碰撞减轻系统的计算机视觉

Computer Vision for a Camel-Vehicle Collision Mitigation System

Khalid Alnujaidi, Ghadah Alhabib

TL;DR通过使用深度学习目标检测模型中的 CenterNet 等方法，该研究测试了在沙特阿拉伯检测骆驼的效果，以解决全球野生动物车辆碰撞等问题，研究结果表明 CenterNet 的准确性最高，且训练效率最高。

Abstract

As the population grows and more land is being used for urbanization, ecosystems are disrupted by our roads and cars. This expansion of infrastructure cuts through wildlife territories, leading to many instances of Wildlife-Vehicle Collision (WVC). These instances of WVC are a global issue that is having a global socio-economic impact, resulting in billions

wildlife vehicle collision camel vehicle collision object detection models deep learning centernet

发现论文，激发创造

Spot-the-Camel：用于更安全道路的计算机视觉

该研究利用不同的物体检测模型在路上检测骆驼来解决 CVC 问题，研究结果表明 YOLOv8 模型在准确性和训练效率方面表现最好，未来计划开发一个系统使乡间道路更安全。

Apr, 2023

利用深度学习的实时交通监控事故检测

本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

Aug, 2022

Traffic-Net: 使用单个摄像头进行 3D 交通监控

本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

Sep, 2021

实时深度学习车辆和行人检测与分析

通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

Apr, 2024

基于 Faster R-CNN 深度学习方法的智能车辆交通管理

通过基于 Faster R-CNN 的深度学习方法，研究了车辆的分割问题，在自适应背景模型的最小化、基于 Faster R-CNN 的子网络操作、Faster R-CNN 初始细化以及扩展拓扑活跃网的结果优化等四个步骤中得到了解决，并通过拓扑活跃网变形模型实现了更高的分割准确性。实验结果证明了这一计算框架的优越性。

Nov, 2023

利用深度学习解决极度不均衡数据集的最佳实践：无人机图像中的哺乳动物检测

本文提出了使用无人机和深度学习算法进行大规模野生动物普查，并通过优化卷积神经网络的训练方法和评估协议，将假阳性率降低一个数量级，大大提高了数据筛选和自动检测的效率。

Jun, 2018

利用非常深的卷积神经网络在相机陷阱图像中识别动物物种，实现野生动物的自动监测

使用深度卷积神经网络在野外通过摄像监控自动识别动物种类的方法，优于之前的尝试，证明了在摄像监控的图像中，识别可以自动化。

Mar, 2016

通过卷积神经网络实时检测驾驶员注意力分散以增强道路安全

通过比较分析卷积神经网络结构，本研究旨在识别出最有效的实时检测驾驶员分心的模型，以提升车辆安全系统的能力，从而预防因不注意引发的事故。

May, 2024

人工环境中的动物检测

本研究使用计算机视觉领域的深度学习技术，包括目标检测、跟踪、分割和边缘检测，尝试解决动物进入人类居住区的自动检测问题。该研究提出了一种半自动的合成数据生成方法，以训练在真实环境下进行部署的模型。实证结果表明，检测器无法从动物在其自然栖息地的训练图像中推广到人造环境的部署场景。本研究提供了用于进一步研究的代码和数据。

Oct, 2019

稻草人监控系统：运用 MobileNet SSD 加强动物监督

通过机器学习、深度学习和计算机视觉技术，该研究旨在应用 MobileNet SSD 模型进行实时动物分类，以解决农业领域野生动物对作物的威胁，通过智能稻草人与目标检测的无缝集成，为精准农业提供了一种健壮的解决方案。

Jul, 2024