Un modelo ligero de reidentificación de vehículos en túneles basado en YOLOv11n y FaceNet

Área de la Ciencia:

• Visión por Computadora
• Inteligencia Artificial
• Sistemas de Vigilancia

Sus antecedentes:

• La reidentificación de vehículos en túneles (Re-ID) se ve obstaculizada por imágenes de baja resolución, variaciones de iluminación y oclusiones.
• Los algoritmos existentes tienen dificultades con estos complejos desafíos del entorno del túnel, lo que limita su eficacia.

Objetivo del estudio:

• Desarrollar un marco nuevo e inteligente para la monitorización de vehículos en túneles.
• Mejorar las capacidades de detección y Re-ID de vehículos utilizando modelos ligeros y eficientes.

Principales métodos:

• Integración de YOLOv11n para la detección de vehículos ligera.
• Optimización de FaceNet para Re-ID mediante la sustitución de su backbone por MobileNetV3 y la adición de un módulo Coordinate Attention.
• Utilización de una función de pérdida conjunta que combina la minería de tripletas duras basada en IoU y Center Loss.
• Creación de un conjunto de datos específico para túneles con 12.000 imágenes y aplicación de aumento de datos.

Principales resultados:

• YOLOv11n logró un mAP del 98,63% a 242 fps.
• El modelo Re-ID mejorado alcanzó una precisión del 94,18% a 25,43 fps (0,81 GFLOPs, 3,51 millones de parámetros).
• Los estudios de ablación confirmaron la efectividad de los componentes, con una mejora del 2,44% en el AUC.

Conclusiones:

• El marco propuesto ofrece una solución robusta para la monitorización de vehículos en túneles en tiempo real.
• El sistema aborda eficazmente desafíos como las imágenes de baja resolución y las variaciones de iluminación.
• Las extensiones potenciales incluyen la fusión multimodal y el aprendizaje de transferencia entre túneles.