基于 YOLOv7 的路面损坏检测与分类
计算机视觉与模式识别
2022-11-02 v1
摘要
维护道路基础设施是实现安全、经济和可持续交通系统的关键因素之一。人工采集路面损坏数据费力且对人类而言不安全。该领域有望从人工智能技术的快速进步与普及中受益。具体而言，深度学习进展使得能够从采集的道路图像中自动检测路面损坏。本工作提出使用 Google 街景采集并标注路面损坏数据，并利用 YOLOv7（You Only Look Once version 7）结合坐标注意力以及标签平滑和集成方法等相关精度微调技术，训练用于自动路面损坏检测与分类的深度学习模型。所提方法应用于基于众感传感的路面损坏检测挑战赛（CRDDC2022），IEEE BigData 2022。结果表明，来自 Google 街景的数据采集是高效的，所提深度学习方法在使用 Google 街景采集自美国的路面损坏数据上取得了 81.7% 的 F1 分数，在该数据集所有测试图像上取得了 74.1% 的 F1 分数。
引用
@article{arxiv.2211.00091,
title = {Road Damages Detection and Classification with YOLOv7},
author = {Vung Pham and Du Nguyen and Christopher Donan},
journal= {arXiv preprint arXiv:2211.00091},
year = {2022}
}
备注
8 pages, 5 tables, 9 figures, 17 references