面向街景目标检测的目标检测算法比较
计算机视觉与模式识别
2022-08-25 v1 机器学习
摘要
街景目标检测可应用于各种用例，从车辆和交通检测到自动驾驶汽车系统。因此，找到最佳的目标检测算法对于有效应用至关重要。许多目标检测算法已经发布，也有许多工作对目标检测算法进行了比较，但很少比较最新算法（如 YOLOv5），且主要聚焦于街景目标。本文比较了多种单阶段检测器算法：SSD MobileNetv2 FPN-lite 320x320、YOLOv3、YOLOv4、YOLOv5l 和 YOLOv5s，用于实时图像中的街景目标检测。实验使用了包含 3169 张图像的改进 Udacity 自动驾驶汽车数据集。数据集被划分为训练集、验证集和测试集；随后使用重缩放、色调偏移和加噪进行预处理和增强。然后对每个算法进行训练和评估。根据实验，各算法在推理时间及其精确率、召回率、F1 分数和平均精度均值（mAP）值方面均取得了不错的结果。结果还显示，YOLOv5l 在精度上优于其他算法，其 [email protected] 为 0.593；MobileNetv2 FPN-lite 的推理时间最快，仅 3.20ms。还发现 YOLOv5s 最高效，其具备 YOLOv5l 的精度且速度几乎与 MobileNetv2 FPN-lite 一样快。这表明多种算法适用于街景目标检测，且足以用于自动驾驶汽车。
引用
@article{arxiv.2208.11315,
title = {Comparison of Object Detection Algorithms for Street-level Objects},
author = {Martinus Grady Naftali and Jason Sebastian Sulistyawan and Kelvin Julian},
journal= {arXiv preprint arXiv:2208.11315},
year = {2022}
}
备注
11 pages, 9 figures, 5 tables