Feb, 2024

城市交通视频中微型移动交通工具的检测

PDF
TL;DR通过将连续帧处理的聚合特征映射应用于 YOLOX 架构，结合单帧目标检测的准确性和速度以及视频目标检测框架提供的更丰富特征，引入了一个适应性的检测模型，为解决城市交通环境中的目标检测问题。这种融合为 YOLOX 的检测能力带来了时间视角，提高了对城市移动模式的理解和检测可靠性，从而在检测小型细长目标等具有挑战性的条件下展示出了明显改进。该方法通过考虑时空信息提高了在困难条件下（包括遮挡、保证时序一致性和有效减轻运动模糊等）的检测性能。
发现论文，激发创造
  • 电动滑板车实时目标检测性能评估

    本研究通过评估适用于电动滑板车的前沿目标检测器的效果和效率，建立了首个全面的基准，其中包括 22 种最新的 YOLO 目标检测器，包括 YOLOv3、YOLOv5、YOLOv6、YOLOv7 和 YOLOv8 等五个版本，使用自采集的电动滑板车数据集进行实时交通目标检测。检测的准确性以 [email protected] 的方式进行衡量，范围从 27.4%（YOLOv7-E6E）到 86.8%（YOLOv5s）。所有的 YOLO 模型，尤其是 YOLOv3-tiny，在电动滑板车的实时目标检测方面显示出了具有潜力的前景。本研究的交通场景数据集和软件程序代码都是公开可用的，这将不仅提高电动滑板车的安全性，还为定制解决方案奠定基础，为更安全和可持续的城市微移动交通方式打下坚实的基础。

    May, 2024

  • 基于移动设备上的无人机交通视频的实时车辆检测和城市交通行为分析

    本论文研究了基于无人机交通视频的实时车辆检测和城市交通行为分析系统。通过使用无人机收集交通数据，并结合 YOLOv8 模型和 SORT 跟踪算法，在 iOS 移动平台上实现对象检测和跟踪功能。使用动态计算方法实时处理性能，计算车辆的微观和宏观交通参数，并进行实时的交通行为分析和可视化。实验结果显示，车辆对象检测的准确率达到 98.27%、召回率达到 87.93%，实时处理能力稳定在每秒 30 帧。这项工作将无人机技术、iOS 开发和深度学习技术整合在一起，将交通视频采集、目标检测、目标跟踪和交通行为分析功能集成到移动设备上，为轻量级交通信息收集和数据分析提供了新的可能性，并为交通管理部门改善道路交通状况分析效率和解决交通问题提供了创新的解决方案。

    Feb, 2024

  • 具有时间感知特征图的移动视频物体检测

    本文提出了基于反复卷积结构的在线物体检测模型，并使用瓶颈长短时记忆层来降低计算成本。该模型在移动 CPU 上实现了 15 FPS 的实时推断速度。

    Nov, 2017

  • 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

  • 基于多特征的车辆检测技术在地理定位空中视频语义压缩中的应用

    本文提出了一种利用深度学习和流张量时空滤波相结合的多线索检测管道，可以高效地检测移动车辆并结合上下文信息进行语义压缩，以更好地利用空地网络链路的有限带宽。

    Jul, 2019

  • 基于轻量级 YOLO7-tiny 的快速车辆检测算法

    本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法，该算法的宽度为 0.5，而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度，进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时，引入坐标注意力机制来抑制环境干扰。该算法的实验表明，相较于原有算法，检测速度提高 27FPS，能够有效降低计算复杂度和参数数量，且在多项指标上表现更好，可用于智能交通系统。

    Apr, 2023

  • 基于 YOLOv8 的车辆速度检测系统：提升都市区域的道路安全和交通管理

    通过监测车辆速度来实现交通安全，本研究集中在对象识别与车辆速度估计的监督学习应用，针对孟加拉国特定的交通条件和安全问题，提出了一种高效可行的解决方案，这项工作对该领域做出了显著贡献。

    Jun, 2024

  • 利用深度学习在遮挡环境和背景杂乱效果中进行实时物体检测

    通过改进检测精度、减少模型面临的问题以及应用数据增强、噪声降低、参数优化和模型融合等技术，我们提出了一种针对混杂背景、遮挡环境中实时检测汽车和坦克的深度学习模型。SSD-Mobilenet v2 模型的准确率和帧数优于 YOLO V3 和 YOLO V4，我们通过引入数据增强、噪声降低、参数优化和模型融合等技术进一步提高检测和识别的效果，并对检测方式进行了统计，属性实验比较，并实现了一个具有物体计数、警报、状态、分辨率以及帧数等功能的图形用户界面系统。该方法的实施得到了 YOLO V3、V4 和 SSD 分析的确认，以完成提出的方法。

    Jan, 2024

  • 使用 YOLOv5 和集成学习实现实时头盔违规检测

    本研究基于 100 个视频，开发了实时的 YOLOv5 深度学习模型，用于检测骑摩托车的骑手和乘客是否佩戴头盔，从而提高路上安全和交通法规的执行力。

    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