Un Sistema de Comparación y Re-Identificación de Vehículos Basado en Red Residual
Autores: Yin, Weifeng; Min, Yusong; Zhai, Junyong
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un Sistema de Comparación y Re-Identificación de Vehículos Basado en Red Residual
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Sistema de monitoreo inteligente de carreteras
Comparación de vehículos
Sistema de reidentificación
Pérdida circular
Agrupamiento de media generalizada
Precisión media promedio
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 18
Citaciones: Sin citaciones
En el sistema de monitoreo inteligente de la autopista, es difícil encontrar el vehículo objetivo entre millones de imágenes debido a la presencia de vehículos con licencias falsas. Para resolver este problema, se construye un sistema de comparación y re-identificación (Re-ID) de vehículos en este documento. Al introducir la pérdida de círculo y la agrupación Generalized-Mean (GeM), se pueden realizar la extracción y almacenamiento de características del vehículo, la comparación de vehículos y la búsqueda de vehículos. Los resultados experimentales muestran que el algoritmo propuesto alcanza un 95.79% de la media de Precisión Promedio (mAP) en la tarea de búsqueda de vehículos, lo que cumple con los requisitos de aplicaciones prácticas.
Descripción
En el sistema de monitoreo inteligente de la autopista, es difícil encontrar el vehículo objetivo entre millones de imágenes debido a la presencia de vehículos con licencias falsas. Para resolver este problema, se construye un sistema de comparación y re-identificación (Re-ID) de vehículos en este documento. Al introducir la pérdida de círculo y la agrupación Generalized-Mean (GeM), se pueden realizar la extracción y almacenamiento de características del vehículo, la comparación de vehículos y la búsqueda de vehículos. Los resultados experimentales muestran que el algoritmo propuesto alcanza un 95.79% de la media de Precisión Promedio (mAP) en la tarea de búsqueda de vehículos, lo que cumple con los requisitos de aplicaciones prácticas.