卷积神经网络对象检测算法的比较评估,用于车辆检测
Saieshan Reddy1, Nelendran Pillay1, Navin Singh1
1Department of Electronic and Computer Engineering, Durban University of Technology, Durban 4001, South Africa.
Journal of imaging
|July 26, 2024
概括
单击多盒探测器 (SSD) 在使用卷积神经网络 (CNN) 的车辆检测方面表现出色,比较快的基于区域的卷积网络 (R-CNN) 和你只看一次v3 (YOLO) 提供更高的速度和准确性. 这种基于CNN的方法实现了高效物体检测的最高平均精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 卷积神经网络 (CNN) 已经改变了对象检测.
- 车辆检测是计算机视觉中的一个关键应用.
研究的目的:
- 为了比较更快的基于区域的卷积网络 (R-CNN),你只看一次v3 (YOLO) 和单射式多盒检测器 (SSD) 的车辆检测性能.
- 分析这些基于CNN的算法的架构复杂性,方法差异和性能指标.
主要方法:
- 在车辆检测任务中评估Faster R-CNN,YOLO v3和SSD算法.
- 对检测速度,平均平均精度 (mAP) 和平均损失的比较分析.
主要成果:
- 单击多盒检测器 (SSD) 在最快的平均速度 (0.5s) 中实现了最高的mAP (0.92).
- 更快的R-CNN的mAP为0.76 (5.1秒),而YOLO v3的mAP为0.81 (1.16秒).
- 所有三个探测器都超过了99%的准确性,SSD显示了更高的平均损失 (2,625).
结论:
- 与Faster R-CNN和YOLO v3.3相比,单击多盒检测器 (SSD) 在车辆检测方面表现出卓越的性能.
- 对于实时物体检测应用,SSD提供了高精度和处理速度的令人信服的平衡.
