个人卖家: 使命而来
基于RA-CRPN的道路车辆远景小目标检测方法
基于RA-CRPN的道路车辆远景小目标检测方法
800.00
累计销量 0
累计评价 0
评分 ★★★★★
售卖方式详解

请登录后购买。

使用环境 车辆行驶过程中的道路场景,如城市道路和高速公路等,用于检测远景小目标。
使用对象 交通灯、远处的行人、自行车、车辆、交通信号等典型标志物。
使用目的 提高道路车辆远景小目标检测的精确度和可信度,以实现城市智慧交通系统对车辆、红绿灯、交通标志、行人和自行车等对象的精确识别。
输入数据 道路场景的图像数据,来自SODA-D数据集和自制道路车辆视角测试数据集。
输出数据 检测到的目标类别、位置坐标、置信度等信息。
硬件配置 CPU:I9-14900KF,24核心32线程,主频3.0GHz。 GPU:RTX 4090D 24GB显卡。 操作系统:Ubuntu 20.04。 编程语言:Python 3.7.16。 深度学习框架:PyTorch 1.12.0,使用CUDA 11.6加速。
样本获取 SODA-D数据集:包含24828张高质量图像、278433个实例,分布在9个类别中。 自制数据集:捕捉不同场景、光照条件、实例堆叠下的实例。
测试结果 SODA-D数据集: 总体AP:32.7%,比基线模型高出3.9百分点。 APes(极小目标):16.3%,比基线模型高出2.9百分点。 APrs(相对较小目标):29.2%,比基线模型高出2.4百分点。 自制数据集: mAP@50:62.4%,比基线模型高5.8百分点。
执行速度 FPS:9.5帧/秒。
资源消耗 CPU:在多核CPU上,计算占比分别平均约50%、60%、70%、40% GPU:显存占用约6GB,显卡计算占比约80% 内存:使用占比约60%
源码类型 本算法有Python版本源码,可提供授权使用。
文件大小 算法程序文件24KB,权重文件12MB。
相关备注
基于RA-CRPN的道路车辆远景小目标检测方法 基于RA-CRPN的道路车辆远景小目标检测方法 基于RA-CRPN的道路车辆远景小目标检测方法
买家 规格或版本 评分 评价 时间