用于从路边摄像头图像与气象数据判定路面状况的高效深度学习模型设计
计算机视觉与模式识别
2020-09-23 v1 人工智能
图像与视频处理
摘要
冬季道路养护是一项安全关键且资源密集的操作。其关键活动之一是判定路面状况（RSC）以优先处理道路并分配如铲雪或撒盐等清理工作。判定 RSC 的两种常规方法是：由训练有素的人员目视检查路边摄像头图像，以及巡逻道路进行现场检查。然而，安大略省有超过 500 个摄像头采集图像，目视检查成为资源密集型活动，尤其在暴雪期间难以扩展。本文呈现了一项聚焦于提升道路养护操作效率的研究结果。我们使用多种深度学习模型从路边摄像头图像与气象变量自动判定 RSC，扩展了先前采用类似方法处理该问题的研究。我们使用的数据集采集自 2017-2018 冬季与安大略道路气象信息系统（RWIS）连接的 40 个站点，包含 14,000 张标注图像与 70,000 条气象测量。我们训练并评估了计算机视觉文献中七个最先进模型的性能，包括近期的 DenseNet、NASNet 与 MobileNet。此外，通过系统的消融实验，我们调整已发布的深度学习模型，将其参数量减少至原参数规模的约 ~1.3%，并通过整合气象变量观测，使模型在能见度差条件下能更好判定 RSC。
引用
@article{arxiv.2009.10282,
title = {Design of Efficient Deep Learning models for Determining Road Surface Condition from Roadside Camera Images and Weather Data},
author = {Juan Carrillo and Mark Crowley and Guangyuan Pan and Liping Fu},
journal= {arXiv preprint arXiv:2009.10282},
year = {2020}
}
备注
Source code for experiments is available at https://github.com/jmcarrillog/deep-learning-for-road-surface-condition