Apr, 2024

实时深度学习车辆和行人检测与分析

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 用于行人检测的深度卷积神经网络

    本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在NVIDIA Jetson TK1上测试了该系统。

    Oct, 2015

  • 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

  • 自动驾驶车辆的稳健行人检测方法

    本文针对Advanced Driver-Assistance Systems (ADAS)中行人检测的挑战，使用YOLOv5s框架在Caltech行人数据集上进行fine-tune，并且开发了可用于准备数据和注释数据的工具箱。实验结果表明，使用作者提出的方法，行人检测任务的均值平均精度（mAP）可高达91％，且最高帧率可达70 FPS，是一种比其他现有技术更为有效和准确的方法。

    Oct, 2022

  • 实时交通标志检测：圣克拉拉郊区案例研究

    该研究项目旨在开发一个实时交通标志检测系统，使用YOLOv5架构并在郊区社区中进行高效的交通标志识别。项目的主要目标是在多样化的交通标志图像数据集上训练YOLOv5模型，并在适用于实时推断的硬件平台上部署该模型。该系统利用训练有素的YOLOv5模型，能够从车辆内部仪表盘上的实时摄像头中检测和分类交通标志。部署系统的性能将基于其交通标志检测的准确性、实时处理速度和整体可靠性进行评估。在郊区社区的案例研究中，该系统在检测交通标志方面显示出显著的96%准确率。该研究的发现有潜力通过提供及时准确的实时交通标志信息来改善道路安全和交通管理，并为自动驾驶的进一步研究铺平道路。

    Oct, 2023

  • 基于YOLOv8的道路危害的视觉检测：坑洞、下水道盖和人孔

    在道路基础设施维护和保障道路安全中，有效检测道路危险是至关重要的。本研究评估了YOLOv8，一种物体检测模型，在检测路面危险，如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本YOLOv5和YOLOv7的比较分析，强调了计算效率在各种应用中的重要性。本文探讨了YOLOv8的架构，并探索了旨在提高检测准确性的图像预处理技术，包括光照、道路类型、危险大小和类型的多样条件。此外，通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验，优化模型的性能。模型评估基于Mean Average Precision (mAP)，这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算mAP分数，本研究评估了模型的稳健性和泛化能力，强调了YOLOv8在道路危险检测和基础设施维护中的重要性。

    Oct, 2023

  • 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

  • 用YOLO模型和迁移学习推进道路标志检测

    本文使用了改进的YOLOv5和YOLOv8模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中YOLOv8模型的MAP50得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

    Jun, 2024

  • 增强YOLOv8的小物体检测在交通场景中的应用

    本研究针对远程相机捕捉到的小物体检测挑战，提出了SOD-YOLOv8模型，专门设计用于处理大量小物体的场景。通过改进YOLOv8的多路径融合和引入新的检测层，SOD-YOLOv8显著提高了检测精度，在动态的交通场景中展现出优越的性能，证明了其在实际应用中的可靠性和有效性。

    Aug, 2024

  • P-YOLOv8：高效且准确的分心驾驶实时检测

    本研究针对分心驾驶这一紧迫的安全问题，提出了一种高效实时的机器学习模型P-YOLOv8，以实现对分心驾驶行为的检测。与传统模型相比，P-YOLOv8在保持高达99.46%准确率的同时，通过优化架构使模型体积仅为2.84 MB，显著提高了计算效率，适用于实时应用。

    Oct, 2024

  • YOLOv11在车辆检测中的应用：进展、性能与智能交通系统的应用

    该研究解决了智能交通系统、自动驾驶和交通监测中车辆检测准确性不足的问题。YOLO11作为YOLO系列最新的深度学习模型，通过架构改进，提高了在复杂环境下的检测速度和准确性。研究结果表明，YOLO11在检测较小和被遮挡车辆方面超过了之前的版本，为自动驾驶和交通监测系统的效率提升提供了新的视角。

    Oct, 2024