May, 2024
野外条件下的孟加拉国本土车辆检测
Bangladeshi Native Vehicle Detection in Wild
Bipin Saha, Md. Johirul Islam, Shaikh Khaled Mostaque, Aditya Bhowmik, Tapodhir Karmakar Taton...
TL;DR自主导航的成功依赖于稳健和精确的车辆识别，但由于特定地区车辆检测数据集的稀缺性，阻碍了上下文感知系统的发展。为了推进地面物体检测研究，本文提出了一个用于孟加拉国常见车辆类别的本土车辆检测数据集。该数据集包括 17 个不同的车辆类别，完全注释了 17326 张图像中的 81542 个实例，每个图像宽度至少为 1280px。结果表明，该数据集在意外场景上更加稳健，对地理、光照、车辆尺寸和朝向等因素进行了充分考虑。在考察本土车辆检测数据集的背景下，本文通过四种连续的 You Only Look Once (YOLO) 模型，即 YOLO v5、v6、v7 和 v8，对数据集的有效性进行了全面评估，并与已经使用的其他车辆数据集进行了对比。实验结果表明，BNVD 数据集在 50% 交并比下的平均精度为 0.848，相应的精确度和召回率分别为 0.841 和 0.774。研究发现表明，在 0.5 到 0.95 的交并比范围内，mAP 为 0.643。实验表明，BNVD 数据集可靠地代表了车辆分布，并呈现出相当复杂性。