Jun, 2024

提高行人安全性的雪天检测图像分类

PDF
TL;DR本研究利用计算机视觉方法，在人行道和路面上检测积雪，以减少冬季相关的跌倒伤害，特别是对于老年人和视障人士。该研究采用经过精细调整的 VGG-19 和 ResNet50 卷积神经网络，重点是在这些图像中识别积雪的存在。研究使用包含 98 个图像的数据集，均匀分为积雪和无积雪条件，采用 F1 得分和准确性度量标准对其进行评估。本研究通过采用经过精细调整的卷积神经网络架构，有效地从智能手机拍摄的图像中检测到路面上的积雪，建立在现有研究的基础上。该方法结合了迁移学习和模型集成技术，综合了 VGG19 和 ResNet50 架构的最佳预测结果。这项研究展示了计算机视觉在应对冬季相关危害中对弱势群体的潜力，并取得了 81.8% 和 81.7% 的准确性和 F1 得分。
snow detectioncomputer visionconvolutional neural networkswinter-related fall injuriesvulnerable populations
发现论文，激发创造
  • 雪景清晰检测：一种在恶劣天气条件下的交通信号灯检测鲁棒模型

    通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

    Jun, 2024

  • 基于表面积的坑洼分类：使用预训练的卷积神经网络模型

    比较了三个预训练卷积神经网络模型（ResNet 50，ResNet 18 和 MobileNet）性能，用于识别路段中的坑洞，并将路面图像分类为小坑洞、大坑洞和正常路面的三个类别。

    Sep, 2023

  • 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

  • 恶劣天气条件下行人意图预测：脉冲神经网络和动态视觉传感器

    利用脉冲神经网络（SNNs）与动态视觉传感器（DVS）相结合，提高自动驾驶车辆在恶劣天气条件下对行人的检测效果，验证了 SNNs 相对于传统卷积神经网络（CNNs）在雷雨等复杂情况下具有更高的精度和计算效率，并为智能交通系统的安全功能在不同运行环境中提升探索了可能性。

    Jun, 2024

  • 学习从噪声标注中检测遥感图像中的云和雪

    通过构建新的数据集、提出新的训练策略以及设计更适用的模型性能评估方法，本文首次考虑标签噪声对遥感图像中云和雪的检测的影响，并验证了所提出方法的有效性。

    Jan, 2024

  • 用于柔性路面裂缝检测的卷积神经网络

    该研究使用了六种卷积神经网络模型来进行道路裂缝的检测，并使用一个由 14000 个样本组成的新型真实二元裂缝数据集进行微调，观察数据集扩增的效果，并得出 ResNet 和 VGG16 模型具有最高精度为 98% 的结论。

    Apr, 2023

  • 深入探究行人

    本文研究卷积神经网络在行人检测中的应用。本研究表明，即使没有明确建立问题的模型，也可以获得具有竞争力的性能，探讨了不同训练数据（包括预训练）对卷积神经网络行人检测器性能的影响，标志谷数据集和 KITTI 数据集的实验证明本方法的有效性。

    Jan, 2015

  • 预测城市变化对行人和道路安全的影响

    本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响，结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施，从而提高行人和车辆的安全性。

    Feb, 2022

  • 使用轻量级卷积神经网络进行盲人街道安全辅助

    本文提出了一种利用深度学习卷积神经网络模型的免费移动应用程序，以帮助视障者在现实时间内快速获取和理解交通信号灯颜色和方向的必要信息。应用程序在分类准确度上达到了 96％，平均角度误差为 6.15 度，并通过声音和震动同时提供信息。此解决方案已通过 7 名视障人士的测试，获得了满意的反馈。

    Sep, 2019

  • 增强型计算机视觉冬季路面状况监测

    该研究提出了一种名为 SIWNet 的深度学习回归模型，能够从摄像头图像中准确估计道路表面摩擦特性，该模型在网络中引入了一个额外的头部来估计预测区间，通过最大似然损失函数进行训练。研究结果表明，SIWNet 的预测区间估计功能良好，并且与之前的最先进模型在点估计准确度上相当，而且 SIWNet 的架构比之前的模型轻量化了几倍，更加适合实际部署和高效使用。

    Oct, 2023