Resumen

Peatones, automovilistas y ciclistas siguen siendo víctimas de la mala visión y la negligencia de los conductores, sobre todo de noche. Millones de personas mueren o sufren lesiones físicas cada año como consecuencia de accidentes de tráfico. La detección y el reconocimiento de las marcas viales desempeñan un papel vital en muchas aplicaciones, como la vigilancia del tráfico y la conducción autónoma. En este estudio, hemos entrenado un modelo de detección de marcas viales nocturnas utilizando imágenes de cámaras NIR. Hemos modificado la red base VGG-16 del algoritmo R-CNN más rápido del estado del arte utilizando una técnica de fusión de características multicapa. Hemos demostrado otra prometedora técnica de fusión de características consistente en concatenar todas las capas convolucionales dentro de una etapa para extraer características de la imagen. La modificación aumenta el rendimiento global de detección del modelo utilizando las ventajas de las capas poco profundas y las capas profundas de la red VGG-16. Las muestras de entrenamiento se aumentaron utilizando rotación y traslación aleatorias para mejorar la heterogeneidad del algoritmo de detección. Hemos logrado una precisión media (mAP) de 89,48 y 92,83 para la R-CNN de referencia más rápida y nuestro método modificado, respectivamente.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:r más rápida, técnica de fusión de características multicapa, prometedora técnica de fusión de características, imágenes de cámara nir, red base vgg-16, precisión media promedio, rendimiento global de detección, algoritmo cnn, red vgg-16, conducción autónoma
• Keywords:faster r, multilayer feature fusion technique, promising feature fusion technique, nir camera images, vgg-16 base network, mean average precision, overall detection performance, cnn algorithm, vgg-16 network, autonomous driving