作为图像分类算法性能预测器的Fλ/d

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 传感器技术 传感器技术

背景情况:

• 像YOLO这样的机器学习算法对于对象分类至关重要.
• 传感器性能指标,如FLD (全宽半最大) 度量,可以显著影响算法结果.
• 在不同的传感器条件下评估算法性能对于现实世界的应用是必不可少的.

研究的目的:

• 调查传感器FLD度量变化的影响对YOLO对象分类性能的影响.
• 建立FLD指标与YOLOv3和YOLOv10.0检测概率之间的关系.
• 为基于传感器FLD值评估算法性能提供建议.

主要方法:

• 在标准的Teledyne FLIR系统数据集上训练了YOLO_v3和YOLO_v10算法.
• 一个单独的测试数据集的图像质量降低,以模拟一系列FLD指标值 (0.339到7.98).
• 在退化数据集上评估YOLO算法性能,以确定在不同FLD级别检测的概率.

主要成果:

• 在各种图像退化级别中评估了YOLO_v3和YOLO_v10算法的性能.
• 观察到FLD指标与两种YOLO版本检测概率之间的相关性.
• 结果表明,随着FLD值的下降,检测概率降低 (表明图像质量较差).

结论:

• FLD指标是影响YOLO对象分类算法的性能的一个重要因素.
• 算法性能评估应考虑传感器的FLD指标,以预测现实世界的有效性.
• 提供了在算法性能评估中使用FLD指标的建议.