一个关于无人机空中交通图像同时进行道路分割和车辆检测的新型网络框架
Min Xiao1, Wei Min1, Congmao Yang2,3
1Project Construction Management Company of Jiangxi Transportation Investment Group Co., Ltd., Nanchang 330108, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
本研究引入了无人机空中图像分析的统一框架,结合了道路细分和车辆检测. 提出的方法实现了高精度,改进了智能运输系统.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 智能运输系统 智能运输系统
背景情况:
- 无人机空中传感器对于收集地面图像数据至关重要,用于道路监测和交通管理等应用.
- 现有的单任务算法难以满足智能运输系统的复杂需求,这些系统需要同时处理多个任务.
- 无人机空中图像带来了诸如可变的道路场景,众多小目标和密集的车辆配置等挑战,使准确的分析变得复杂.
研究的目的:
- 开发一个统一的框架,用于从无人机空中图像同时执行道路细分和道路车辆检测.
- 解决现有算法的局限性,以处理无人机空中图像的复杂性,用于智能运输应用.
- 提高道路分段和车辆检测在挑战性空中视觉数据的准确性和效率.
主要方法:
- 拟议的C-DeepLabV3+算法结合了坐标注意力 (CA) 和级联特征融合,以增强道路细分.
- 开发了S-YOLOv5算法,整合了SimAM注意模块,以改进车辆检测.
- 将C-DeepLabV3+和S-YOLOv5集成到串行框架中,用于在定制数据集上的联合道路细分和车辆检测任务.
主要成果:
- 在ViDroneVehicle数据集上,C-DeepLabV3+实现了98.75%的mPA和97.53%的mIoU,证明了优越的道路分割和堵塞处理.
- S-YOLOv5实现了97.40%的mAP,优于标准YOLOv5 (96.95%) 并降低了车辆遗漏和错误检测率.
- 这两种算法在各自的任务中显著超过了多种最先进的方法.
结论:
- 拟议的统一框架有效地整合了无人机空中图像的先进道路分割和车辆检测算法.
- C-DeepLabV3+和S-YOLOv5算法表现出高性能,解决了分析复杂空中交通场景的关键挑战.
- 这项研究为高质量,高精度的道路细分和车辆检测提供了强大的解决方案,推动了智能交通系统的发展.
