用 YOLO 模型和迁移学习推进道路标志检测
本文研究并实施了流行的对抗性攻击,对 YOLOv5 目标检测算法进行了调查。研究探讨了在交通和道路标志检测的背景下,不同类型的攻击(包括 L-BFGS、FGSM、C&W,BIM,PGD,One Pixel,和通用对抗扰动攻击)对 YOLOv5 检测准确率的影响。结果表明,YOLOv5 容易受到这些攻击的影响,误分类的率随着扰动幅度的增加而增加。此外,本文使用显著性图解释了结果。该研究的发现对交通和运输系统中用于目标检测的算法的安全和可靠性具有重要的意义,强调了需要更加健壮和安全的模型以确保其在实际应用中的有效性。
May, 2023
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
深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法,本文通过实现并评估七种不同的 YOLO 目标检测模型(YOLO-NAS,YOLOv8,YOLOv7,YOLOv6 和 YOLOv5)来分析这些模型在道路和人行道上常见物体的图像上的表现,并发现 YOLOv8 是最佳模型,其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率,尽管 YOLO-NAS 是最新的模型,在其他应用中表现更好,但对于障碍物检测任务来说并不理想。
Dec, 2023
通过应用改进的 MIRNet 模型和 Yolov4 模型,本文解决了低光、噪声和模糊条件下交通标志识别的挑战,并在 GTSRB 数据集上获得了 96.75% 的整体 [email protected],对于广泛类别的 GTSDB 数据集达到了 100% 的 [email protected],与最先进的方法相当。
Aug, 2023
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
研究交通标志改变对物体识别模型的影响,发现在不太可能的条件下暴露于修改的交通标志下,物体识别模型的准确性显著降低。这项研究强调了提高物体检测模型在现实场景中的鲁棒性的重要性,需要进一步研究来提高它们的准确性和可靠性。
May, 2023
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
该研究通过比较分析 YOLOv5 和 YOLOv8 模型,挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反,YOLOv5 模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素,包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究,我们呈现了对每个模型能力的细致理解,为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计,强调了评估模型性能的整体方法的必要性。
Jun, 2024
我们提出了基于 YOLOv5s 的改进目标检测方法 MFL-YOLO(互补特征级别损失增强 YOLO),通过设计简单的跨级别损失函数,使得模型的每个级别都具有自己的作用,有助于学习更多多样化的特征并提高细粒度。相比 YOLOv5s,我们的 MFL-YOLO 在 F1 得分和 mAP 上分别提高了 4.3 和 5.1,同时减少了 8.9% 的 FLOPs。Grad-CAM 热图可视化显示我们的模型能更好地关注损坏交通标志的局部细节。此外,我们还对 CCTSDB2021 和 TT100K 进行了实验证明我们模型的泛化性。
Sep, 2023
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