Spot-the-Camel：面向更安全的道路的计算机视觉
计算机视觉与模式识别
2023-04-04 v1
摘要
随着人口增长与更多土地用于城市化，生态系统正被我们的道路与汽车所扰乱。基础设施的扩张穿过了野生动物领地，导致许多野生动物—车辆碰撞（WVC）事件。这些WVC事件是具有全球社会经济影响的全球性问题，造成数十亿美元财产损失，且有时导致车辆乘员死亡。在沙特阿拉伯，这一问题类似，其中骆驼—车辆碰撞（CVC）事件尤其致命，因骆驼体型庞大导致25%的死亡率[1]。本工作的重点是测试不同目标检测模型在道路上检测骆驼任务上的表现。实验中使用的深度学习（DL）目标检测模型为：CenterNet、EfficientDet、Faster R-CNN、SSD与YOLOv8。实验结果显示，YOLOv8在准确率上表现最佳且训练最高效。未来计划拓展本工作，开发使乡村道路更安全的系统。
引用
@article{arxiv.2304.00757,
title = {Spot-the-Camel: Computer Vision for Safer Roads},
author = {Khalid Alnujaidi and Ghada Alhabib and Abdulaziz Alodhieb},
journal= {arXiv preprint arXiv:2304.00757},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2301.09339