通过EfficientDet和CNN对无人驾驶飞行器进行目标检测和分类
Muhammad Ovais Yusuf1, Muhammad Hanzla1, Naif Al Mudawi2
1Faculty of Computing ad AI, Air University, Islamabad, Pakistan.
Frontiers in neurorobotics
|September 16, 2024
概括
本研究提出了一种使用先进的图像处理和深度学习技术在空中图像中检测和分类车辆的新方法. 该模型实现了高精度,改进了交通监控系统.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 交通工程是交通工程.
背景情况:
- 传统的车辆检测方法与计算需求和数据变化性作斗争.
- 空中影像对准确的车辆分析提出了独特的挑战.
- 现有系统需要适应各种数据收集.
研究的目的:
- 引入一种创新的技术,用于在空中图像序列中对车辆进行分类和识别.
- 提高交通监控系统的效率和准确性.
- 克服当前车辆检测方法的局限性.
主要方法:
- 图像增强使用降噪和对比度有限的自适应式直方体平衡 (CLAHE).
- 通过基于轮和模糊C介质细分 (FCM) 来识别对象.
- 使用EfficientDet进行车辆检测/识别;使用加速KAZE (AKAZE),面向FAST和旋转BRIEF (ORB) 和规模不变特征转换 (SIFT) 进行特征提取.
- 使用卷积神经网络 (CNN) 和ResNet进行分类.
主要成果:
- 拟议的模型在无人机入侵者数据集 (UAVID) 上实现了96.6%的准确性.
- 在无人机 (VAID) 数据集的车辆空中图像上获得了97%的准确性.
- 与现有方法相比,表现出优越的性能.
结论:
- 开发的模型显著改善了空中图像中的车辆检测和分类.
- 为智能交通监控系统提供了显著的进步.
- 在准确性和适应性方面超越了当前的方法.
