Rikonoxximent tas-Sinjali tat-Traffiku Ibbażat Fuq L-Algoritmu YOLOv3 Parti 3

3.3. Ġenerazzjoni ta' Frames Priori Ibbażati fuq Algoritmu ta' K-Means Clustering

Il-mekkaniżmu ta 'ankri ġie implimentat f'YOLOv2, u n-numru ta' ankri żdied għal disgħa f'YOLOv3 biex ir-reġjuni kandidati ġenerati jsiru aktar simili għall-frejms ittikkettjati ġenwini u tingħata spinta lill-irtirar tan-netwerk ta 'skoperta.

Hemm relazzjoni qawwija bejn frejms immarkati u memorja. Il-frejms tal-immarkar jistgħu jgħinuna nistabbilixxu qafas ta 'memorja fiss, regolari u ordnat, li jagħmilha aktar faċli li nimemorizzaw ammonti kbar ta' informazzjoni. Pereżempju, meta nitgħallmu lingwa, nistgħu nużaw frejms immarkati biex nikmemorizzaw kliem ġdid u regoli tal-grammatika. Meta nirrevedu l-istorja, nistgħu nużaw frejms immarkati biex nikmemorizzaw avvenimenti storiċi u skadenzi. B'dan il-mod, nistgħu nagħmlu l-għarfien astratt aktar konkret u li jinftiehem.

Fl-istess ħin, il-frejms tal-immarkar jistgħu wkoll jistimulaw il-kapaċità assoċjattiva tal-moħħ tagħna, u b'hekk itejbu l-memorja tagħna. Minħabba li l-memorja tagħna hija bbażata fuq assoċjazzjoni u konnessjoni, billi nistabbilixxu frejms immarkati, nistgħu ngħaqqdu b'mod aktar naturali għarfien ġdid ma 'għarfien eżistenti, napprofondixxu l-memorja u l-fehim.

Il-kapaċità tal-memorja tal-bniedem tista 'tiġi mħarrġa u mtejba. Permezz ta 'prattika kostanti u l-użu ta' tekniki tal-memorja bħall-frejms tal-immarkar, nistgħu ntejbu l-memorja tagħna u nkampaw aħjar ma 'informazzjoni u ħidmiet kumplessi fil-ħajja u x-xogħol.

Fil-qosor, il-frejms tal-immarkar hija teknika ta 'memorja effettiva ħafna. Jista 'jgħinna niftakru informazzjoni importanti aktar malajr u b'mod preċiż. Jista 'wkoll jistimula l-kapaċità assoċjattiva tagħna u jtejjeb il-memorja tagħna. Ejjew nużaw b'mod attiv frejms immarkati biex intejbu kontinwament il-ħiliet tal-memorja tagħna! Wieħed jista 'jara li għandna bżonn intejbu l-memorja, u Cistanche deserticola jista' jtejjeb b'mod sinifikanti l-memorja minħabba li Cistanche deserticola huwa materjal mediċinali tradizzjonali Ċiniż li għandu ħafna effetti uniċi, li wieħed minnhom huwa li jtejjeb il-memorja. L-effikaċja tal-laħam ikkapuljat ġejja mid-diversi ingredjenti attivi li fih, inklużi l-aċidu, il-polisakkaridi, il-flavonoids, eċċ. Dawn l-ingredjenti jistgħu jippromwovu s-saħħa tal-moħħ b'diversi modi.

Ikklikkja Kun af biex ittejjeb il-memorja għal żmien qasir

Ma kienx xieraq li tuża l-ankra oriġinali, peress li s-sinjali tat-traffiku huma primarjament miri żgħar u medji, b'inqas miri kbar fis-sett tad-dejta TT100K. Għal sett ta 'dejta speċifiku, l-għażla ta' ankra inizjali xierqa tista 'ttejjeb l-effett ta' sejbien, tagħmel in-netwerk aktar faċli biex titgħallem, u żżid ir-rata ta 'detectionrate tal-kaxxa tal-konfini.

Il-fluss tal-algoritmu tal-clustering K-means biex jinkisbu kaxex kandidati jidher fil-Figura 7.

Fis-sett tad-dejta TT100K, l-istruttura mtejba tan-netwerk YOLOv3 inkludiet skala ta’ tbassir ta’ karatteristiċi, li tirriżulta f’erba’ skali u tnax-il ankra: (4, 5), (5, 6), (7, 7), (7, 13), (8, 8), (9, 10), (11, 12), (13, 14), (16, 17), (20, 22), (27, 29), u (41, 44).

4. Esperimenti u Analiżi tar-Riżultati

4.1. Sett ta' Dejta u Indikaturi ta' Evalwazzjoni

Hemm ftit settijiet tad-dejta tas-sinjali tat-traffiku kbar u disponibbli pubblikament, li l-maġġoranza tagħhom jużaw il-GTSDB, iżda l-GTSDB mhuwiex l-istess bħas-sinjali tat-traffiku Ċiniżi. CTSDB, CCTSDB, u TT100K, fost oħrajn, huma settijiet tad-dejta tas-sinjali tat-traffiku Ċiniżi.

Is-CCTSDB ġie estiż ibbażat fuq CTSDB, u l-kategoriji tiegħu kienu maqsuma f'sinjali ta 'twissija, sinjali direzzjonali, u sinjali ta' projbizzjoni, mingħajr klassifikazzjoni dettaljata tas-sinjali tat-traffiku.

Il-ġbir tat-trafficsign TT100K inħoloq b'kollaborazzjoni bejn Tencent u Tsinghua University. Offriet kategorizzazzjoni u identifikazzjoni bir-reqqa tas-sinjali tat-traffiku, kopriet diversi ċirkostanzi klimatiċi u tad-dawl, u kienet aktar preċiża għal sitwazzjonijiet attwali tas-sewqan.

Għalhekk, is-sett tad-dejta tas-sinjali tat-traffiku TT100K intuża f'dan id-dokument, u wħud mis-sinjali tat-traffiku u l-informazzjoni tal-kategorija huma murija fil-Figura 8.

Is-sett tad-dejta TT100K għandu 100,000 ritratt b'riżoluzzjoni ta' 2048 x 2048 pixels, għalkemm hemm immaġini ta' sinjali tat-traffiku mingħajr tikketta, u xi kategoriji għandhom biss ftit immaġini jew immaġini duplikati, li jnaqqsu l-effett ta' skoperta.

Għalhekk, dan id-dokument neħħa l-immaġini tas-sinjali tat-traffiku mingħajr tikketta u duplikati mis-sett tad-dejta u għażel 45 kategorija b’numru għoli ta’ sinjali tat-traffiku, fejn il-45 kategorija tas-sinjali tat-traffiku kienu: pn, pne, i5, pll, pl40, po,pl50, pl80 , io, pl60, p26, i4, pll00, pl30, il60, l5, i2, w57, p5, p10, ip, pl120, il80, p23, pr40.ph4. 5, w59, p12, p3, w55. pm20, pl20, pg, pl70, pm55, il100, p27, w13, p19, ph4, ph5, wo, p6.pm30, u w32, u n-numru ta’ kull kategorija ta’ sinjali tat-traffiku jidher fil-Figura 9.

Il-Figura 9 turi li anki jekk 45 kategorija b'numru kbir ta 'sinjali tat-traffiku kienu magħżula, kien għad hemm żbilanċ sinifikanti fl-ammont ta' dejta bejn kull kategorija, li jirriżulta fi preċiżjoni fqira tat-tbassir tal-mudell. Bħala riżultat, kif muri fil-Figura 10, dan ix-xogħol ibbilanċjat u espandiet is-sett tad-dejta billi uża tattiċi bħal dithering tal-kulur, storbju Gaussian, u rotazzjoni tal-immaġni biex jiġi żgurat li l-ammont ta 'kull kategorija kien ugwali kemm jista' jkun.

L-approċċ Mosaic jaqra erba 'immaġini kull darba, jiskala u jibdel il-gamut tal-kuluri ta' kull immaġini, jirranġahom f'erba 'direzzjonijiet u mbagħad jgħaqqad l-immaġini flimkien biex toħloq il-qafas veru tal-mira.

Il-metodu ta 'titjib jgħaqqad erba' immaġini, ekwivalenti għall-kalkolu tal-parametri ta 'erba' immaġini b'input wieħed. Dan jista 'jnaqqas in-numru ta' immaġini għall-input tal-lott, inaqqas id-diffikultà tat-taħriġ u l-ispiża tat-taħriġ, itejjeb il-veloċità tat-taħriġ, u jsaħħaħ l-għadd ta 'kampjuni fis-sett tad-dejta, li jwassal għat-tagħlim.

f'dan id-dokument, il-metriċi ta 'evalwazzjoni tas-sett tad-dejta COCO, inklużi mAPou - 050APs, APM, AP, u diversi metriċi oħra, intużaw biex jevalwaw il-prestazzjoni tal-mudell. B'mod partikolari, il-biċċa l-kbira tas-sinjali tat-traffiku fis-sett tad-dejta tas-sinjali tat-traffiku TT100K kienu jappartjenu għal miri żgħar, għalhekk kellha tingħata attenzjoni speċjali lill-eżattezza tas-sejbien ta 'miri żgħar. It-tifsiriet speċifiċi tal-metriċi tal-evalwazzjoni huma kif ġej:

AP: Iż-żona taħt il-kurva PR, fejn PR hija preċiżjoni u recall, rispettivament:

API {{0}}.50: Meta l-limitu IoU huwa ssettjat għal 0.50, hija l-medja tal-kategoriji kollha ta' AP fis-sett tad-dejta, li hija l-indiċi ta' evalwazzjoni tas-sett tad-dejta PASCAL VOC u tikkorrispondi għal APIoU=0.50 fl-indiċi tal-valutazzjoni COCO= 0.50: Meta l-limitu tal-loU jiġi ssettjat għal 0.50, hija l-medja tal-kategoriji kollha tal-AP fis-sett tad-dejta, li hija l-indiċi tal-valutazzjoni ta' is-sett tad-dejta PASCAL VOC u jikkorrispondi għal APloU=0.5 fl-indiċi tal-valutazzjoni COCO.

APs: valur medju ta' mAP għal oġġetti żgħar: żona < 322, u medda loU=(0.5, 1.00, 0.05)għal total ta' 10 oUs.

APm: oġġetti medji: 322 < żona < 962, u loU=medda (0.5, 1.00, 0.05) valur medju ta' mAP għal total ta’ 10 IoUs.

AP: valur medju ta' mAP għal oġġetti kbar: żona > 962, u medda loU=(0.5, 1.00, 0.05għal total ta' 10 IoUs.

4.2. Riżultati Sperimentali u Analiżi

4.2.1. Esperiment ta 'Tqabbil YOLOv3 imtejjeb

Tliet netwerks YOLOv3 b'metodi mtejba ġew imqabbla u ttestjati f'dan l-istudju, bl-użu tas-sett tad-dejta tas-sinjali tat-traffiku TT100K u l-immaġini tal-input li kienu daqs 608 × 608 pixels. Il-Figura 11 turi l-mappa u l-AR ta 'M-YOLOv3 mħarrġa fuq is-sett tad-dejta TT100.

Ir-riżultati tas-sejbien għal diversi daqsijiet ta 'miri huma murija fil-Figura 12 u t-Tabella 1. Fosthom, YOLOv3-DK adotta l-istrateġija li ttejjeb il-funzjoni tat-telf DIoU telf u l-ankra tar-ri-clustering; YOLOv3-SPP adotta l-istrateġija tal-ispazju tal-fużjoni tal-istruttura tal-pyramidpooling; YOLOv3-4l adotta l-istrateġija li żżid ir-raba 'saffi ta' tbassir bi skali 152 × 152; u M-YOLOv3 kienet l-istruttura tan-netwerk YOLOv3 li tuża l-istrateġiji mtejba kollha.

It-Tabella 1 u l-Figura 12 juru li l-eżattezza medja medja tal-YOLOv3 oriġinali mingħajr ma tuża xi strateġiji kienet 68.9%. B'kuntrast, il-mappa tal-YOLOv3 aġġornat bil-metodi kollha kienet 77.3%, titjib ta '8.4% fl-iskoperta.

It-teknika ta 'l-ankra tar-raggruppament mill-ġdid tal-functionand tat-telf DIoU tejbet l-eżattezza tas-sejbien b'1.3%; madankollu, theimprovement kien dovut għall-konverġenza tal-funzjoni tat-telf aktar mgħaġġla waqt it-taħriġ, li għamlet ir-rigressjoni tal-kaxxa fil-mira aktar stabbli u tejbet ir-rata ta 'recall. Aktar titjib evidenti fil-mAP deher f'YOLOv3, li kien jinkludi struttura SPP u kiseb 73.2%.

L-istruttura SPP ikkombinat karatteristiċi lokali u globali, ittejjeb il-kapaċità tal-mappa tal-karatteristiċi li tesprimi lilha nnifisha u żżid b'mod sinifikanti l-eżattezza tas-sejbien. Bl-użu tal-metodu li żżid ir-raba 'saff ta' karatteristika ta 'tbassir bi skali 152 × 152, themAP tjiebet ukoll b'mod konsiderevoli.

L-eżattezza tas-sejbien ta' mira ċkejkna ġiet imtejba b'10.5% meta mqabbla ma' YOLOv3, li għamel użu sħiħ mill-karatteristiċi baxxi fin-netwerk għal tbassir ta' mira żgħira, li rriżulta f'effett ta' sejbien imtejjeb konsiderevolment, iżda għall-ispiża ta 'żieda fil-kumplessità u l-ipproċessar tan-netwerk. . L-aħjar titjib kienM-YOLOv3, li għaqqad it-tliet proċeduri ta 'titjib u kiseb mappa ta' 77.3%, li hija 8.4% ogħla mill-preċiżjoni medja medja tal-YOLOv30 oriġinali. Figura 13 turi r-riżultati tat-test ta 'M-YOLOv3 fuq TT100K.

4.2.2. Tqabbil tal-Algoritmu Mtejjeb YOLOv3 ma 'Algoritmi Oħra

M-YOLOv3 tqabbel ma 'diversi algoritmi klassiċi oħra ta' skoperta ta 'mira biex jivvalidaw aktar ir-rikonoxximent ta' skoperta tan-netwerk imtejjeb, u r-riżultati huma murija fit-Tabella 2.

Tabella 2 turi li M-YOLOv3 kellu l-ogħla mAP ta '77.3%, u SSD kellu l-aħjar prestazzjoni f'ħin reali, b'FPS ta' 42. Meta mqabbel mal-algoritmu oriġinali YOLOv3, il-medja ta 'preċiżjoni medja tjiebet ħafna, għalkemm il-ħin reali. il-prestazzjoni tnaqqset. Meta mqabbel mal-algoritmu SSD ta 'stadju wieħed, il-mAP tjieb bi 12%, iżda kien għad hemm vojt fil-prestazzjoni f'ħin reali. Meta mqabbel mal-gorithm ta 'detezzjoni fil-mira f'żewġ stadji Faster-RCNN, l-FPS tjieb għal 22, u l-mAP ġie mtejjeb ukoll b'1.7%, li tejbet il-veloċità tal-kxif, kif ukoll l-eżattezza tal-kxif. Il-provi wrew li M-YOLOv3 wettaq aħjar f'termini ta 'preċiżjoni u veloċità ta' skoperta.

4.2.3. Effett ta 'Rikonoxximent Imtejjeb ta' YOLOv3 fuq Sinjali tat-Traffiku f'Ambjent Speċjali

Minħabba diversi fatturi, bħall-irradjazzjoni qawwija tad-dawl, bil-lejl, u ambjenti speċjali ta 'okklużjoni tas-sinjali tat-traffiku, li se jaffettwaw is-sejbien tas-sinjali tat-traffiku u r-rikonoxximent f'xenarji tas-sewqan fid-dinja reali, kien meħtieġ ukoll li jiġi kkunsidrat ir-rikonoxximent tal-mudell fuq sinjali tat-traffiku f'ambjenti speċjali. F'ċirkostanzi partikolari, il-mudell YOLOv3 aġġornat kien impjegat biex jirrikonoxxi s-sinjali tat-traffiku, kif muri fil-Figura 13.

Fil-Figura 14, l-effett ta 'skoperta ta' YOLOv3 huwa mqabbel ma 'dak ta' M-YOLOv3 f'ambjent speċjali. Kif muri fil-Figura 14(b1,c1), l-algoritmu YOLOv3 naqas milli jikxef theobscured sinjal tat-traffiku fil-każ ta 'sinjal tat-traffiku oskurat, filwaqt li l-mtejba YOLOv3algorithm identifika b'mod preċiż is-sinjal tat-traffiku mgħotti; kif muri fil-Figura 14(b2,c2), l-algoritmu theYOLOv3 kellu problemi ta 'skoperta falza u skoperta mitlufa għar-rikonoxximent tas-sinjali tat-traffiku taħt l-ambjent ta' irradjazzjoni qawwija tad-dawl, filwaqt li l-algoritmu mtejjeb YOLOv3 għaraf is-sinjali tat-traffiku kollha b'mod preċiż.

L-algoritmu mtejjeb YOLOv3 żied ir-raba 'skala ta' tbassir tal-karatteristiċi għal miri żgħar, u tejjeb l-effett ta 'skoperta ta' miri żgħar, filwaqt li l-algoritmu YOLOv3 kellu problemi b'sejbien mitluf u kunfidenza baxxa għal miri żgħar, kif muri fil-Figura 14(b3,c3); f'ambjenti mdawla b'mod baxx, bħal bil-lejl, l-algoritmu aġġornat YOLOv3 għaraf sinjali tat-traffiku, kif muri fil-Figura 14(b4,c4); madankollu l-metodu YOLOv3 ma sabx miri. Bħala riżultat, f'sitwazzjonijiet partikolari, l-algoritmu aġġornat YOLOv3 xorta ta riżultati aħjar ta 'skoperta.

5. Konklużjonijiet

F'din ir-riċerka ġie ssuġġerit netwerk ta' sejbien u rikonoxximent tas-sinjali tat-traffiku bbażat fuq YOLOv3 modifikat, biex jindirizza d-diffikultajiet ta 'miri żgħar li jkunu diffiċli biex jindividwaw u preċiżjoni baxxa ta' skoperta fil-kompiti ta 'skoperta u identifikazzjoni tas-sinjali tat-traffiku.

L-istruttura l-ġdida tal-ġbir piramidali spazjali ppermettiet il-fużjoni ta 'karatteristiċi lokali u globali f'dan l-istudju, kif ukoll żiedet ir-raba' skala ta 'tbassir ta' karatteristiċi għal miri żgħar biex ittejjeb l-effett ta 'skoperta ta' miri żgħar. Biex tagħmel ir-rigressjoni tal-qafas fil-mira aktar stabbli, it-telf DIoU ġie utilizzat, li kellu konverġenza aktar mgħaġġla u kien aktar konsistenti mar-rigressjoni tal-qafas fil-mira.

L-eżattezza tan-netwerk ta' sejbien tjiebet b'mod konsiderevoli billi ssir ħsara lin-netwerk f'ħin reali mill-inqas possibbli. Il-map żdiedet bi 8.4 punti. L-algoritmu mtejba YOLOv3 saħħaħ il-kumplessità tan-netwerk u naqqas il-veloċità tal-kxif. Madankollu, l-iskoperta f'ħin reali għadha 'l bogħod ħafna; għalhekk, iż-żona ta 'riċerka li jmiss se tkun qed tagħti spinta lill-veloċità ta' skoperta biex twettaq l-effett ta 'skoperta f'ħin reali.

Kontribuzzjonijiet tal-Awtur: Metodoloġija u preparazzjoni tal-abbozz oriġinali tal-kitba, AL u CG; formalanalysis u investigazzjoni, YS; kurazzjoni tad-dejta, NX; riżorsi, AL; validazzjoni, WH L-awturi kollha qraw u qablu mal-verżjoni ppubblikata tal-manuskritt.

Finanzjament: Dan il-proġett kien appoġġjat mill-Programm ta’ Xjenza u Teknoloġija ta’ l-Innovazzjoni taż-Żgħażagħ fl-Edukazzjoni Għolja Provinċjali ta’ Shandong (Għotja Nru.2019KJB019), il-Fondazzjoni Provinċjali tax-Xjenza Naturali ta’ Shandong taċ-Ċina (Għotja Nru. ZR2021MF131, ZR2015EL019, u ZR2020ME126), u l-Fondazzjoni Nazzjonali tax-Xjenza Naturali Iċ-Ċina (Għotja Nru 61601265 u 51505258). Dan il-proġett kien iffinanzjat mill-Fondazzjoni tax-Xjenza Postdottorat taċ-Ċina (Għotja Nru 2021M701405), il-Proġett Miftuħ tal-Laboratorju Ewlenin tal-Istat tal-Imġieba Mekkanika u s-Sigurtà tas-Sistema tal-Istrutturi tal-Inġinerija tat-Traffiku, iċ-Ċina (Għotja Nru. 1903), il-Proġett Miftuħ tas-Sigurtà u l-Kontroll tat-Traffiku ta' Hebei Laboratorju Ewlenin, iċ-Ċina (Għotja Nru. JTKY2019002), u l-Proġett Maġġuri ta 'Innovazzjoni fix-Xjenza u t-Teknoloġija fil-Provincia ta' Shandong (Għotja Nru 2022CXGC020706).

Dikjarazzjoni tal-Bord ta' Reviżjoni Istituzzjonali: Mhux applikabbli.

Dikjarazzjoni ta' Kunsens Informat: Mhux applikabbli.

Dikjarazzjoni tad-Disponibbiltà tad-Data: Mhux applikabbli.

Rikonoxximenti: Nirringrazzjaw lill-awturi kollha għall-kontribuzzjonijiet tagħhom għall-kitba ta 'dan l-artikolu.

Kunflitti ta' Interess: L-awturi ma jiddikjaraw l-ebda kunflitt ta' interess.

Referenzi

1. De la Escalera, A.; Armingol, JM; Mata, M. Rikonoxximent u analiżi tas-sinjali tat-traffiku għal vetturi intelliġenti. Image Vis. Kompjuta. 2003,21, 247–258. [CrossRef]

2. Saadna, Y.; Behloul, A. Ħarsa ġenerali lejn il-metodi ta 'skoperta u klassifikazzjoni tas-sinjali tat-traffiku.... Int. J. Multimed. Informazzjoni. Retr. 2017, 6,193–210. [CrossRef]

3. Boumediene, M.; Cudel, C.; Basset, M.; Ouamri, A. Sejbien ta 'sinjali tat-traffiku trijangolari bbażati fuq algoritmu RSLD. Mach. Vis. Appl.2013, 24, 1721–1732. [CrossRef]

4. Maldonado-Bascón, S.; Lafuente-Arroyo, S.; Gil-Jimenez, P.; Gomez-Moreno, H.; Lopez-Ferreras, F. Sejbien u rikonoxximent tas-sinjali tat-toroq ibbażati fuq magni tal-vettur ta 'appoġġ. IEEE Trans. Intell. Transp. Syst. 2007, 8, 264–278. [CrossRef]

5. Bahlmann, C.; Zhu, Y.; Ramesh, V.; Pellkofer, M.; Koehler, T. Sistema għall-iskoperta tas-sinjali tat-traffiku, it-traċċar, u r-rikonoxximent bl-użu ta 'informazzjoni dwar il-kulur, il-forma u l-moviment.... Fil-Proċedimenti tal-Proċedimenti tal-IEEE. Simpożju dwar Vetturi Intelliġenti, 2005, Las Vegas, NV, USA, 6–8 ta’ Ġunju 2005; pp. 255–260.

6. Ren, S.; Hu, K.; Girshick, R.; Sun, J. Faster R-CNN: Towards Real-Time Object Detecting with Region Proposal Networks.Adv. Informazzjoni newrali. Proċess. Syst. 2015, 28, 91–99. [CrossRef] [PubMed]

7. Liu, W.; Anguelov, D.; Erhan, D.; Szegedy, C.; Qasab, S.; Fu, C.-Y.; Berg, AC SSD: Single Shot MultiBox Detector. Fil-Konferenza Ewropea dwar il-Viżjoni tal-Kompjuter; Springer: Cham, l-Isvizzera, 2016; pp. 21–37.

8. Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. Inti tħares darba biss: Sejbien ta 'oġġetti unifikati f'ħin reali. Fil-Proċedimenti tal-Konferenza tal-IEEE dwar il-Viżjoni tal-Kompjuter u r-Rikonoxximent tal-Mudelli, Las Vegas, NV, l-Istati Uniti, 27–30 ta’ Ġunju 2016; IEEE: Piscataway, NJ, USA,2016; pp. 779–788.

9. Wang, Z.; Guo, H. Riċerka dwar l-iskoperta tas-sinjali tat-traffiku bbażata fuq netwerk newrali konvoluzzjonali. Fil-Proċedimenti tat-12-il InternationalSymposium dwar il-Komunikazzjoni u l-Interazzjoni tal-Informazzjoni Viżwali, Shanghai, iċ-Ċina, 20–22 ta’ Settembru 2019; pp. 1–5.

10. Han, C.; Gao, G.; Zhang, Y. Sejbien ta 'sinjali żgħar tat-traffiku f'ħin reali b'RCNN rivedut aktar mgħaġġel. Multimedia. Għodda Appl. 2019, 78,13263–13278. [CrossRef]

11. Zhang, J.; Huang, M.; Jin, X.; Li, X. Algoritmu ta 'skoperta ta' sinjali tat-traffiku Ċiniż f'ħin reali bbażat fuq YOLOv2 modifikat. Algoritmi2017, 10, 127. [CrossRef]

12. Zhu, Z.; Liang, D.; Zhang, S.; Huang, X.; Li, B.; Hu, S. Sejbien u klassifikazzjoni tas-sinjali tat-traffiku fis-selvaġġ. Fil-Proċedimenti tal-Konferenza tal-IEEE dwar il-Viżjoni tal-Kompjuter u r-Rikonoxximent tal-Mudelli 2016, Las Vegas, NV, USA, 27–30 ta’ Ġunju 2016; pp. 2110–2118.

For more information:1950477648nn@gmail.com