在城市地区使用无人机图像进行对象检测模型的性能评估,用于半自动人工智能数据集建设
1Department of Future & Smart Construction Research, Korea Institute of Civil and Building Technology, Goyang-si 10223, Republic of Korea.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
本研究介绍了一种有效的方法,用于创建用于城市交通监控的AI培训数据集. 使用F2评分可以提高数据的完整性,减少人工智能模型开发的资源需求.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 城市规划 城市规划
背景情况:
- 深度学习模型对于交通监控中的图像处理至关重要.
- 开发这些人工智能模型需要大量的资源密集型培训数据.
- 基于人工智能的城市管理面临着由于数据创建瓶的挑战.
研究的目的:
- 提出一种有效的方法来构建人工智能训练数据集,用于半移动物体检测.
- 在城市交通监控中分析改进人工智能模型输出的任务.
- 减少人工智能模型开发中的资源需求.
主要方法:
- 利用现有的AI对象检测模型来训练数据构建.
- 对人工智能检测到的对象进行了分析和改进任务.
- 使用F-Beta分数 (F0.5,F1,F2) 评估的表现.
主要成果:
- F2评分在提高数据集完整性方面表现优异.
- 比F0.5减少了26.5%的努力,比F1.1减少了7.1%的努力.
- 提出了一种有效的评估方法,用于半自动人工智能培训数据的构建.
结论:
- 拟议的方法可以有效地创建用于城市交通监控的AI培训数据.
- 优化像F2得分这样的评估指标可以显著降低资源需求.
- 促进未来的人工智能模型的开发,用于基于人工智能的城市环境管理.
