创新的道路应急检测 (IR-DD):一种高效和可扩展的深度学习方法
Ahsan Zaman Awan1, Jiancheng Charles Ji2, Muhammad Uzair1
1School of Computer Science and Engineering, Central South University, Changsha, Hunan, China.
PeerJ. Computer science
|June 10, 2024
概括
本研究介绍了创新的道路危险检测 (IR-DD),这是一种使用YOLOv8进行准确,实时道路危险检测的新框架. 它为智能城市和自动驾驶汽车提供了传统方法的经济有效的替代方案.
科学领域:
- 运输基础设施 运输基础设施
- 计算机视觉 计算机视觉 计算机视觉
- 人工智能的人工智能是人工智能.
背景情况:
- 传统的道路危险检测方法是手动的,昂贵的,并且难以处理各种表面和低分辨率数据.
- 有效和准确的道路应急检测对于安全可靠的运输系统至关重要.
- 现有的自动化方法面临信息丢失和梯度问题的挑战.
研究的目的:
- 引入一个新的框架,创新的道路危险检测 (IR-DD),以加强道路危险检测.
- 为了提高智能城市和自动驾驶汽车应用的道路交通事故检测的准确性和实时功能.
- 通过优化多尺度特征利用来解决传统方法的局限性.
主要方法:
- 整合了YOLOv8对象检测算法.
- 实现双向特征金字塔网络 (BiFPN) 用于递归特征融合.
- 使用双向连接来优化多尺度功能利用,并减轻信息丢失.
主要成果:
- 与传统方法相比,IR-DD框架显示出卓越的性能,效率和稳定性.
- 获得了0.666的精度,F1得分为0.630,mAP@0.5的0.650.
- 在每秒86 (FPS) 的高速运行,可实现有效的实时检测.
结论:
- IR-DD框架提供了一种具有成本效益和引人注目的道路交通事故检测替代方案.
- 该方法显著推进了用于实际道路基础设施监控的物体检测技术.
- 这些发现强调了IR-DD在提高运输系统的安全性和可靠性的有效性.
