基于YOLOv5的实时社交距离监测系统用于新冠疫情防控
计算机视觉与模式识别
2022-04-08 v1
摘要
本工作旨在提供一个基于YOLOv5深度学习、采用俯视视角的社交距离监测框架。此外，我们开发了一个自定义模型——YOLOv5改进型CSP（跨阶段局部网络），并在COCO和Visdrone数据集上评估了其在使用与不使用迁移学习时的性能。研究结果表明，所开发的模型能够成功识别违反社交距离的个体。在COCO数据集上训练300个周期后，未使用迁移学习的改进瓶颈CSP模型达到了81.7%的准确率，而相同周期下，使用迁移学习的默认YOLOv5模型达到了80.1%的准确率，这表明我们的改进瓶颈CSP模型在准确率上有所提升。对于Visdrone数据集，使用默认YOLOv5s模型进行30个周期的迁移学习，我们在某些类别上实现了高达56.5%的准确率，特别是在行人和路人类别上达到了40%的准确率。而改进瓶颈CSP模型的表现略优于默认模型，在某些类别上准确率高达58.1%，行人和路人准确率约为40.4%。
引用
@article{arxiv.2204.03350,
title = {Implementing a Real-Time, YOLOv5 based Social Distancing Measuring System for Covid-19},
author = {Narayana Darapaneni and Shrawan Kumar and Selvarangan Krishnan and Hemalatha K and Arunkumar Rajagopal and Nagendra and Anwesh Reddy Paduri},
journal= {arXiv preprint arXiv:2204.03350},
year = {2022}
}