上海交大 CDNet：基于YOLOv5改进的 人行道 斑马线和汽车过线行为检测
作者用了 Yolov5版本：V6.1也实现了一版：
公开了数据集，有比较小的模型：
GitHub - WangRongsheng/CDNet-yolov5: 《CDNet：一个基于YOLOv5的在Jetson Nano上实时、鲁棒的斑马线检测网络》论文的原生（ultralytics）yolov5训练、推理baseline仓库
有yolov5s yolov5n 模型
给行车记录仪用的，检测斑马线和过线行为检测：
下面第二模型，速度快并且精度高，模型42M
| Model | Detect Size | Speed (FPS) | F1 Score (%) | Pytorch Model | TensorRT Engine |
|---|---|---|---|---|---|
| YOLOv5m (baseline) | 288x192 | 20.0 | 81.34 | Download passwd: duap | Download |
| SE-YOLOv5m+NST+ROI+SSVM (CDNet) | 288X192 | 33.1 | 94.72 | Download passwd: 1cpp | Download |
测试笔记：
post.py中，图片和配置文件路径在data下面，不是在settings里面，没有settings目录
def init_rect(self):rect = cv2.imread("data/rect.jpg")1060显卡是60ms左右。
CDNet: A Real-Time and Robust Crosswalk Detection Network on Jetson Nano Based on YOLOv5
CDNet: 一个基于YOLOv5的在Jetson Nano上实时、鲁棒的斑马线检测网络
作者：Zheng-De Zhang, Meng-Lu Tan, Zhi-Cai Lan, Hai-Chun Liu, Ling Pei, Wen-Xian Yu
时间：Feb, 2022
期刊：Neural Computing & Applications, IF 5.6
一个神经网络在具体场景（斑马线检测）的应用，改进YOLOv5，提出多项tricks，数据集和复现代码开源！
摘要：
图1 图形摘要
在复杂场景和有限计算能力下实现实时、鲁棒的斑马线（人行横道）检测是当前智能交通管理系统（ITMS）的重要难点之一。有限的边缘计算能力和多云、晴天、雨天、雾天和夜间等真实复杂的场景同时对这项任务提出了挑战。本研究提出基于改进YOLOv5的人行横道检测网络（CDNet），实现车载摄像头视觉下快速准确的人行横道检测，并在Jetson nano设备上实现实时检测。强大的卷积神经网络特征提取器用于处理复杂环境，网络中嵌入了squeeze-and-excitation（SE）注意力机制模块，使用负样本训练（NST）方法提高准确率，利用感兴趣区域（ROI）算法进一步提高检测速度，提出了一种新的滑动感受野短时向量记忆（SSVM）算法来提高车辆交叉行为检测精度，使用合成雾增强算法允许模型适应有雾的场景。最后，在 Jetson nano 上以 33.1 FPS 的检测速度，我们在上述复杂场景中获得了 94.83% 的平均 F1 分数。对于晴天和阴天等更好的天气条件，F1 分数超过 98%。该工作为人工神经网络算法优化方法在边缘计算设备上的具体应用提供了参考，发布的模型为智能交通管理系统提供了算法支持。
贡献：
+ 注意力机制网络改进网络，提升精度，略微降低速度：SENet (Squeeze-and-Excitation Network)
图2 改进，SENet嵌入到CSP中形成SE-CSP
+ 负样本训练，提升精度，速度不变: NST (Negative Samples Training)
图3 负样本训练
+ 感兴趣区域，提升速度，精度下降：ROI (Region Of Interest)
图4 ROI
+ 滑动感受野短时向量记忆算法，迁移斑马线检测任务到汽车过线行为检测任务，提升精度，速度不变：SSVM (Slide receptive field Short-term Vectors Memory)
图5 SSVM
+ 合成雾增强算法，增强数据集，适应雾天，提升精度，速度不变：SFA (Synthetic Fog Augment)
图6 SFA
+ 斑马数据集：标注好的，车载摄像头视角下的，共计6868张图像。
+ 复现代码：见github项目主页
结果
CDNet最终在Jetson nano上实现了33.1FPS实时检测，多云、晴天、雨天、雾天和夜间多个场景平均检测F1分数94.72%。
与原生YOLOv5相比，检测尺寸为640时，CDNet 在 Jetson nano 上提高了5.13%的F1分数和10.7FPS的速度， 检测尺寸为288时，提升为13.38%的F1分数和13.1FPS。
相关链接
数据集、复现代码：https://github.com/zhangzhengde0225/CDNet
视频样例：https://www.bilibili.com/video/BV1qf4y1B7BA
阅读全文：https://rdcu.be/cHuc8
下载全文：https://doi.org/10.1007/s00521-022-07007-9
上海交大 CDNet：基于YOLOv5改进的 人行道 斑马线和汽车过线行为检测相关推荐
- 基于改进YOLOv5的斑马线和汽车过线行为检测
基于改进YOLOv5的斑马线检测和汽车过线行为检测 1 信息 2 摘要 3 贡献 4 数据集.源码.视频.全文链接 今天带来一个基于改进YOLOv5的斑马线和汽车过线行为检测算法:CDNet,文章提出 ...
- 基于YOLOv5实现中药饮片识别(含源码)【目标检测项目】
一. 项目背景 中医药文化是中华民族传统文化的瑰宝之一,历史源远流长.中药饮片是中药材在中医药理论指导下,结合药材自身性质及调剂.制剂要求,按照特定炮制方法加工而成,是中医临床开方施治的基础.但中药种 ...
- YOLOv5改进PicoDet主干系列：移动端超轻量目标检测算法PP-PicoDet，0.99M，150FPS，助力移动端达到超实时检测
- 目标检测论文解读复现之十五：基于YOLOv5的光学遥感图像舰船 目标检测算法
前言 此前出了目标改进算法专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读最新目标检测算法论文,帮 ...
- SCI论文解读复现【NO.2】基于注意机制的YOLOv5改进算法在行星图像中的应用(代码已复现)
此前出了目标检测算法改进专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读发表高水平学术期刊中的SC ...
- labelGo：基于 YOLOv5 的辅助标注工具
来源:AIZOO 在我们平常做 深度学习检测项目时,可能经常需要标注数据,但是标注数据,本身又是一件很麻烦的事情.今天,看到 Github 有个大佬开源的基于 YOLOv5 的辅助标注工具,推荐给大家 ...
- 目标检测论文解读复现之六：基于YOLOv5的遥感图像舰船的检测方法
目标检测论文解读复现 文章目录 目标检测论文解读复现 前言 一.摘要 二.网络模型及核心创新点 三.应用数据集 四.实验效果 五.实验结论 六.投稿期刊介绍 前言 此前出了目标改进算法专栏,但是对于应 ...
- 基于YOLOv5的中式快餐店菜品识别系统
基于YOLOv5的中式快餐店菜品识别系统[金鹰物联智慧食堂项目] 摘要 本文基于YOLOv5v6.1提出了一套适用于中式快餐店的菜品识别自助支付系统,综述了食品识别领域的发展现状,简要介绍了YOLOv ...
- 基于YOLOv5的口罩佩戴检测方法
摘 要 正确的佩戴口罩对现阶段有效减低人员之间感染新型冠状病毒具有重要意义.基于YOLOv5在图像识别检测领域的优异性能,本文研究基于基于YOLOv5的口罩佩自动戴检测方法.首先从网络和真实生活中中寻 ...
最新文章
- SQLite3简单C++包装类源码示例
- 柴油发电机并机母线之间母联的设置分析
- Google Gears 体验(2)：本机 web 服务器
- httpservletresponse 一次导出多个word_报表工具能实现怎么的导出效果？
- C++实现剔除不能识别的非ASCIII、非中文字符
- nutshell_Nutshell中的Java 8语言功能-第1部分
- JavaScript 中数组方法 reduce 的妙用之处
- MySQL入门之访问控制与安全
- 对人工智能产品发展的几点认识
- 非常实用的安卓第三方库
- 【Zookeeper学习】Zookeeper-3.4.6安装部署
- @Resource和@Autowired小笔记
- 关于treeview中的checkbox的全选问题
- [20190524]DISABLE TABLE LOCK(12c).txt
- 艰难时局下电子发现蓬勃发展
- SVM多分类器算法-一对多
- 如何开发类似QFIL下载工具
- 分享一款超强看图软件。极速看图。这些看图软件比系统自带的强大多了！
- Hadoop 2.6.0 FileSplit和InputSplit和FileInputFormat
- 随机身份证号码计算年龄