关于人工扭曲图像在使用深度学习的枪支检测性能的影响
Patricia Corral-Sanz1, Alvaro Barreiro-Garrido1, A Belen Moreno1
1Department of Computer Science and Statistics, Universidad Rey Juan Carlos, Mostoles, Madrid, Spain.
PeerJ. Computer science
|December 9, 2024
概括
在图像中检测枪支是具有挑战性的,因为各种现实世界的条件. 冲动噪声显著降低了像YOLOv5.5这样的物体检测网络的性能.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 安全技术 安全技术
背景情况:
- 自动枪支检测对于公共安全至关重要,但受到现实世界的图像变化所阻碍.
- 目前的深度学习模型显示出希望,但它们在实际图像扭曲下的性能需要彻底调查.
研究的目的:
- 量化评估特定图像扭曲对基于深度学习的枪支检测系统性能的影响.
- 为了确定哪些扭曲会在清洁数据上训练模型时最显著地降低检测准确性.
主要方法:
- 标准的YOLOv5网络被用于对象检测.
- 该网络在没有扭曲的图像上进行了训练,并在受到各种降解的图像上进行了测试:冲动噪声,模糊,变暗,缩小和遮蔽.
主要成果:
- 该研究通过实验量化了每个扭曲类型所造成的性能退化.
- 发现冲动 (盐和胡) 噪声的增加水平是最有害的扭曲,显著影响检测准确性.
结论:
- 现实世界的图像条件,特别是冲动噪声,对当前枪支检测系统的稳定性构成重大挑战.
- 需要进一步的研究来开发能够抵御这些常见图像退化现象的检测模型,以便可靠的现实应用.
更多相关视频
03:31Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
468
06:20Author Spotlight: Development of an Automated Camera-Based System for Real-Time Blast Overpressure Monitoring and TBI Risk Assessment in Military Training
Published on: December 6, 2024
2.6K
