野外环境下的孟加拉国本土车辆检测
计算机视觉与模式识别
2024-05-21 v1 人工智能
机器学习
机器人学
摘要
自主导航的成功依赖于稳健且精确的车辆识别，而特定区域车辆检测数据集的匮乏阻碍了上下文感知系统的发展。为了推进地面目标检测研究，本文针对孟加拉国最常见的车辆类别提出了一个本土车辆检测数据集。该数据集考虑了17个不同的车辆类别，在17326张图像中完整标注了81542个实例。每张图像的宽度设置为至少1280px。该数据集的车辆边界框与图像面积的平均比例为4.7036。该孟加拉国本土车辆数据集（BNVD）考虑了多种地理、光照、车辆尺寸和方向变化，以在意外场景下更具稳健性。在考察BNVD数据集的背景下，本研究使用四个连续的 You Only Look Once (YOLO) 模型（即 YOLO v5、v6、v7 和 v8）进行了全面评估。该数据集的有效性得到了系统评估，并与现有的其他车辆数据集进行了对比。BNVD 数据集在交并比为 50% 时的平均精度均值为 0.848，对应的精确率和召回率分别为 0.841 和 0.774。研究结果表明，在 0.5 到 0.95 的 IoU 范围内，mAP 为 0.643。实验表明，BNVD 数据集能够可靠地表示车辆分布，并呈现出相当的复杂性。
引用
@article{arxiv.2405.12150,
title = {Bangladeshi Native Vehicle Detection in Wild},
author = {Bipin Saha and Md. Johirul Islam and Shaikh Khaled Mostaque and Aditya Bhowmik and Tapodhir Karmakar Taton and Md. Nakib Hayat Chowdhury and Mamun Bin Ibne Reaz},
journal= {arXiv preprint arXiv:2405.12150},
year = {2024}
}
备注
13 pages, 8 figures