分析用于车辆检测和重新识别的深度学习技术,使用来自多个无人机和公共数据集的数据
Felipe P A Euphrásio1,2, Rafael M DE Andrade2,3, Elcio H Shiguemori2,3
1Instituto Tecnológico de Aeronáutica - ITA, Praça Marechal Eduardo Gomes, 50, Vila das Acácias, 12228-900 São José dos Campos, SP, Brazil.
Anais da Academia Brasileira de Ciencias
|April 2, 2025
概括
这项研究使用多个卷积神经网络 (CNN) 和用于无人机监视的跟踪算法来增强车辆检测和重新识别. 这些方法达到高达91%的准确性,改善了复杂环境中的车辆跟踪.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 在动态环境中检测和重新识别车辆,例如无人机监控的高速公路,由于图像的变化而具有挑战性.
- 现有的方法需要改进,以处理多个无人机的不同捕获角度和条件.
研究的目的:
- 提出和评估一个强大的解决方案,用于车辆检测和重新识别,使用各种卷积神经网络 (CNN).
- 评估CNN的概括能力,使用多种无人机图像来提高准确性.
主要方法:
- 组合YOLOv4用于检测和DeepSORT用于跟踪.
- 综合和评估的CNN模型:VGG16,VGG19,ResNet50,InceptionV3和EfficientNetV2L. 这些模型包括:
- 利用公开数据集和自定义数据集从无人机群进行评估.
主要成果:
- 在第一个实验中,ResNet50实现了55%的平均精度.
- 在第二次实验中,VGG19以91%的准确度显示出最高的准确度.
- 提出的方法成功地区分了不同的车型,并适应了无人机捕获的数据.
结论:
- 综合方法有效地解决了无人机汽车监控方面的挑战.
- 从各种无人机角度来看,CNN,特别是VGG19,在车辆重新识别方面表现强.
- 该研究验证了拟议方法的适应性和准确性,用于现实世界的应用.
