基于卷积神经网络的多类图像集标注与道路状况分类的近实时地图构建
量子物理
2020-10-21 v2
摘要
天气是影响交通与道路安全的重要因素。本文利用最先进的卷积神经网络，对北美各地街道与高速公路摄像头拍摄的图像进行标注。道路摄像头快照被用于多个深度学习框架的实验，以按道路状况对图像分类。这些实验的训练数据使用标注为干燥、潮湿、雪/冰、恶劣和离线的图像。实验测试了六种卷积神经网络（VGG-16、ResNet50、Xception、InceptionResNetV2、EfficientNet-B0和EfficientNet-B4）的不同配置，以评估它们对该问题的适用性。测量了每种框架配置的精确率、准确率和召回率。此外，训练集在总体规模及各类别规模上均有变化。最终训练集包含使用上述五类标注的47,000张图像。EfficientNet-B4框架被证明最适用于该问题，验证准确率达90.6%，尽管EfficientNet-B0以一半执行时间取得了90.3%的准确率。观察到在本项目中，带迁移学习的VGG-16在硬件资源有限的情况下对数据采集与伪标注非常有用。随后将EfficientNet-B4框架部署于实时生产环境，可持续实时分类图像。分类后的图像被用于构建一张显示北美各地摄像头点实时道路状况的地图。这些框架的选择及我们的分析考虑了实时地图构建功能的独特需求。本文还详细分析了使用这些框架进行半自动化数据集标注的过程。
引用
@article{arxiv.2001.09946,
title = {Subradiance and superradiance-to-subradiance transition in dilute atomic clouds},
author = {Diptaranjan Das and B. Lemberger and D. D. Yavuz},
journal= {arXiv preprint arXiv:2001.09946},
year = {2020}
}