Cydnabod Arwyddion Traffig yn Seiliedig ar Algorithm YOLOv3 Rhan 3

3.3. Cynhyrchu Fframiau Priori yn Seiliedig ar Algorithm Clystyru K-Modd

Gweithredwyd y mecanwaith angori yn YOLOv2, a chynyddwyd nifer yr angorau i naw yn YOLOv3 i wneud y rhanbarthau ymgeisiol a gynhyrchwyd yn debycach i'r fframiau wedi'u labelu dilys a hybu adalw'r rhwydwaith canfod.

Mae perthynas gref rhwng fframiau wedi'u marcio a'r cof. Gall fframiau marcio ein helpu i sefydlu fframwaith cof sefydlog, rheolaidd a threfnus, gan ei gwneud hi'n haws cofio llawer iawn o wybodaeth. Er enghraifft, wrth ddysgu iaith, gallwn ddefnyddio fframiau wedi'u marcio i gofio geiriau newydd a rheolau gramadeg. Wrth adolygu hanes, gallwn ddefnyddio fframiau wedi'u marcio i gofio digwyddiadau hanesyddol a llinellau amser. Yn y modd hwn, gallwn wneud gwybodaeth haniaethol yn fwy pendant a dealladwy.

Ar yr un pryd, gall fframiau marcio hefyd ysgogi gallu cysylltiadol ein hymennydd, a thrwy hynny wella ein cof. Oherwydd bod ein cof yn seiliedig ar gysylltiad a chysylltiad, trwy sefydlu fframiau wedi'u marcio, gallwn gysylltu gwybodaeth newydd yn fwy naturiol â gwybodaeth bresennol, gan ddyfnhau cof a dealltwriaeth.

Gellir hyfforddi a gwella gallu cof dynol. Trwy ymarfer cyson a defnyddio technegau cof megis marcio fframiau, gallwn wella ein cof ac ymdopi'n well â gwybodaeth gymhleth a thasgau mewn bywyd a gwaith.

Yn fyr, mae marcio fframiau yn dechneg cof effeithiol iawn. Gall ein helpu i gofio gwybodaeth bwysig yn gyflymach ac yn gywirach. Gall hefyd ysgogi ein gallu cysylltiadol a gwella ein cof. Gadewch inni ddefnyddio fframiau wedi'u marcio i wella ein sgiliau cof yn barhaus! Gellir gweld bod angen i ni wella cof, a gall Cistanche deserticola wella cof yn sylweddol oherwydd bod Cistanche deserticola yn ddeunydd meddyginiaethol Tsieineaidd traddodiadol sydd â llawer o effeithiau unigryw, ac un ohonynt yw gwella cof. Mae effeithiolrwydd briwgig yn dod o'r gwahanol gynhwysion gweithredol sydd ynddo, gan gynnwys asid, polysacaridau, flavonoidau, ac ati. Gall y cynhwysion hyn hybu iechyd yr ymennydd mewn gwahanol ffyrdd.

Cliciwch Gwybod i wella cof tymor byr

Nid oedd yn briodol defnyddio'r angor gwreiddiol, gan fod arwyddion traffig yn dargedau bach a chanolig yn bennaf, gyda llai o dargedau mawr yn y set ddata TT100K. Ar gyfer set ddata benodol, gall dewis angor cychwynnol addas wella'r effaith ganfod, gwneud y rhwydwaith yn haws i'w ddysgu, a chynyddu cyfradd canfod y blwch terfyn.

Dangosir llif yr algorithm clystyru K-modd i gael blychau ymgeiswyr yn Ffigur 7.

Yn y set ddata TT100K, roedd strwythur rhwydwaith gwell YOLOv3 yn cynnwys graddfa rhagfynegi nodwedd, gan arwain at bedair graddfa a deuddeg angor: (4, 5), (5, 6), (7, 7), (7, 13), (8, 8), (9, 10), (11, 12), (13, 14), (16, 17), (20, 22), (27, 29), a (41, 44).

4. Arbrofion a Dadansoddi Canlyniadau

4.1. Set Ddata a Dangosyddion Gwerthuso

Mae yna ychydig o setiau data arwyddion traffig mawr sydd ar gael yn gyhoeddus, y mwyafrif ohonynt yn defnyddio'r GTSDB, ond nid yw'r GTSDB yr un peth ag arwyddion traffig Tsieineaidd. Mae CTSDB, CCTSDB, aTT100K, ymhlith eraill, yn setiau data arwyddion traffig Tsieineaidd.

Ehangwyd y CCTSDB yn seiliedig ar CTSDB, a rhannwyd ei gategorïau yn arwyddion rhybudd, arwyddion cyfeiriadol, ac arwyddion gwahardd, heb ddosbarthiad manwl o arwyddion traffig.

Crëwyd casgliad arwyddion traffig TT100K ar y cyd rhwng Tencent a Phrifysgol Tsinghua. Roedd yn cynnig categoreiddio ac adnabod arwyddion traffig yn drylwyr, yn cwmpasu amrywiol amgylchiadau hinsawdd a goleuo, ac roedd yn fwy cywir ar gyfer sefyllfaoedd gyrru gwirioneddol.

Felly, defnyddiwyd set ddata arwyddion traffig TT100K yn y papur hwn, a dangosir rhai o'r arwyddion traffig a'r wybodaeth categori yn Ffigur 8.

Mae gan set ddata TT100K 100,{2}} o luniau gyda chydraniad o 2048 x 2048 picsel, er bod delweddau arwyddion traffig heb eu labelu, a dim ond ychydig o ddelweddau neu ddelweddau dyblyg sydd gan rai categorïau, gan leihau'r effaith canfod.

Felly, tynnodd y papur hwn y delweddau arwyddion traffig heb eu labelu a dyblyg o'r set ddata a dewisodd 45 categori gyda nifer uchel o arwyddion traffig, lle'r oedd y 45 categori arwyddion traffig: pn, pne, i5, pll, pl40, po, pl50, pl80 , io, pl60, t26, i4, pll00, pl30, il60, l5, i2, w57, t5, t10, ip, pl120, il80, t23, pr40.ph4. 5, w59, t12, t3, w55. pm20, pl20, tud, pl70, pm55, il100, t27, w13, t19, ph4, ph5, wo, t6.pm30, a w32, a dangosir nifer pob categori arwyddion traffig yn Ffigur 9.

Mae Ffigur 9 yn dangos, hyd yn oed pe bai 45 categori gyda nifer fawr o arwyddion traffig yn cael eu dewis, roedd anghydbwysedd sylweddol o hyd yn swm y data rhwng pob categori, gan arwain at gywirdeb rhagfynegiad model gwael. O ganlyniad, fel y dangosir yn Ffigur 10, mae'r gwaith hwn yn cydbwyso ac yn ehangu'r set ddata trwy ddefnyddio tactegau megis lliwio lliw, sŵn Gaussian, a chylchdroi delweddau i sicrhau bod maint pob categori mor gyfartal â phosibl.

Mae'r dull Mosaic yn darllen pedair delwedd ar y tro, yn graddio ac yn newid gamut lliw pob delwedd, yn eu trefnu mewn pedwar cyfeiriad ac yna'n pwytho'r delweddau gyda'i gilydd i greu gwir ffrâm y targed.

Mae'r dull gwella yn pwytho pedair delwedd, sy'n cyfateb i gyfrifo paramedrau pedair delwedd gydag un mewnbwn. Gall hyn leihau nifer y delweddau ar gyfer mewnbwn swp, lleihau'r anhawster hyfforddi a'r gost hyfforddi, gwella'r cyflymder hyfforddi, a chyfoethogi nifer y samplau yn y set ddata i raddau helaeth, sy'n ffafriol i ddysgu.

yn y papur hwn, defnyddiwyd metrigau gwerthuso set ddata COCO, gan gynnwys mAPou - 050APs, APM, AP, a sawl metrig arall, i werthuso perfformiad y model. Yn benodol, roedd y rhan fwyaf o'r arwyddion traffig yn y set ddata arwyddion traffig TT100K yn perthyn i dargedau bach, felly roedd angen rhoi sylw arbennig i gywirdeb canfod targedau bach. Mae ystyron penodol y metrigau gwerthuso fel a ganlyn:

AP: Yr ardal o dan y gromlin cysylltiadau cyhoeddus, lle mae cysylltiadau cyhoeddus yn fanwl gywir ac yn galw i gof, yn y drefn honno:

API {{0}}.50: Pan fydd y trothwy IoU wedi'i osod i 0.50, dyma'r cyfartaledd o bob categori o AP yn y set ddata, sef mynegai gwerthuso set ddata PASCAL VOC ac yn cyfateb i APIoU=0.50 ym mynegai gwerthuso COCO= 0.50: Pan fydd y trothwy loU wedi'i osod i 0.50, dyma'r cyfartaledd o bob categori o AP yn y set ddata, sef y mynegai gwerthuso o set ddata PASCAL VOC ac mae'n cyfateb i APloU=0.5 yn y mynegai gwerthuso COCO.

APs: gwerth cyfartalog mAP ar gyfer gwrthrychau bach: arwynebedd < 322, ac ystod loU=(0.5, 1.00, 0.05)am gyfanswm o 10 oU.

APm: gwrthrychau canolig: 322 < arwynebedd < 962, ac ystod loU=(0.5, 1.00, 0.05) gwerth cymedrig mAP am a cyfanswm o 10 IO.

AP: gwerth cyfartalog mAP ar gyfer gwrthrychau mawr: arwynebedd > 962, ac ystod loU=(0.5, 1.00, 0.05am gyfanswm o 10 IoUau.

4.2. Canlyniadau Arbrofol a Dadansoddiad

4.2.1. Arbrawf Cymharu YOLOv3 Gwell

Cymharwyd a phrofwyd tri rhwydwaith YOLOv3 gyda dulliau gwell yn yr astudiaeth hon, gan ddefnyddio set ddata arwyddion traffig TT100K a mewnbynnu delweddau a oedd yn 608 × 608 picsel maint. Mae Ffigur 11 yn dangos y map ac AR o M-YOLOv3 a hyfforddwyd ar y set ddata TT100.

Dangosir y canlyniadau canfod ar gyfer targedau o wahanol feintiau yn Ffigur 12 a Thabl 1. Yn eu plith, mabwysiadodd YOLOv3-DK y strategaeth o wella swyddogaeth colli DioU colled a'r angor ail-glystyru; Mabwysiadodd YOLOv3-SPP strategaeth gofod ymasiad y strwythur cronni pyramid; Mabwysiadodd YOLOv3-4l y strategaeth o ychwanegu'r bedwaredd haen nodwedd rhagfynegi gyda graddfeydd 152 × 152; a M-YOLOv3 oedd strwythur rhwydwaith YOLOv3 gan ddefnyddio'r holl strategaethau gwell.

Dengys Tabl 1 a Ffigur 12 mai cywirdeb cymedrig cyfartalog yr YOLOv3 gwreiddiol heb ddefnyddio unrhyw strategaethau oedd 68.9%. Mewn cyferbyniad, y map o'r YOLOv3 wedi'i uwchraddio gyda'r holl ddulliau oedd 77.3%, gwelliant o 8.4% mewn canfod.

Fe wnaeth swyddogaeth colli DioU ac ail-glystyru techneg angori wella cywirdeb canfod 1.3%; fodd bynnag, roedd y gwelliant oherwydd cydgyfeiriant swyddogaeth colli cyflymach yn ystod yr hyfforddiant, a wnaeth atchweliad y blwch targed yn fwy sefydlog a gwella'r gyfradd galw'n ôl. Gwelwyd gwelliannau mwy amlwg mewn mAP yn YOLOv3, a oedd yn cynnwys strwythur SPP a chyflawnodd 73.2%.

Roedd strwythur SPP yn cyfuno nodweddion lleol a byd-eang, gan wella gallu'r map nodwedd i fynegi ei hun a chynyddu cywirdeb canfod yn sylweddol. Gan ddefnyddio'r dull o ychwanegu pedwerydd haen nodwedd rhagfynegi gyda graddfeydd 152 × 152, roedd themAP hefyd wedi gwella'n sylweddol.

Gwellwyd cywirdeb canfod targed bach gan 10.5% o'i gymharu â YOLOv3, a wnaeth ddefnydd llawn o'r nodweddion bas yn y rhwydwaith ar gyfer rhagfynegi targed bach, gan arwain at effaith canfod llawer gwell, ond ar gost mwy o gymhlethdod rhwydwaith a phrosesu. . Y gwelliant gorau oeddM-YOLOv3, a gyfunodd y tair gweithdrefn wella a chyflawni mAP o 77.3%, sydd 8.4% yn uwch na chywirdeb cymedrig cyfartalog gwreiddiol YOLOv30. Mae Ffigur 13 yn dangos canlyniadau profion M-YOLOv3 ar TT100K.

4.2.2. Cymharu Algorithm Gwell YOLOv3 ag Algorithmau Eraill

Cymharwyd M-YOLOv3 â sawl algorithm canfod targed clasurol arall i ddilysu cydnabyddiaeth canfod y rhwydwaith gwell ymhellach, a dangosir y canlyniadau yn Nhabl 2.

Mae Tabl 2 yn dangos bod gan M-YOLOv3 y mAP uchaf o 77.3%, ac roedd gan SSD y perfformiad amser real gorau, gyda FPS o 42. O'i gymharu â'r algorithm gwreiddiol YOLOv3, roedd y cymedr cywirdeb cyfartalog wedi gwella'n fawr, er bod yr amser real gostyngwyd perfformiad. O'i gymharu â'r SSD algorithm un cam, gwellodd mAP 12%, ond roedd bwlch o hyd mewn perfformiad amser real. O'i gymharu â'r algorithm canfod targed dau gam Cyflymach-RCNN, mae'r FPS wedi'i wella i 22, a chafodd y mAP ei wella hefyd gan 1.7%, a oedd yn gwella'r cyflymder canfod, yn ogystal â'r cywirdeb canfod. Dangosodd y treialon fod M-YOLOv3 yn perfformio'n well o ran cywirdeb a chyflymder canfod.

4.2.3. Cydnabod Gwell Effaith YOLOv3 ar Arwyddion Traffig mewn Amgylchedd Arbennig

Oherwydd amrywiol ffactorau, megis arbelydru golau cryf, yn ystod y nos, ac amgylcheddau arbennig o gyfyngiad arwyddion traffig, a fydd yn effeithio ar ganfod arwyddion traffig a'u hadnabod mewn senarios gyrru yn y byd go iawn, roedd hefyd yn angenrheidiol ystyried effaith adnabyddiaeth y model ar arwyddion traffig mewn amgylcheddau arbennig. Mewn amgylchiadau penodol, defnyddiwyd model uwchraddedigYOLOv3 i adnabod arwyddion traffig, fel y dangosir yn Ffigur 13.

Yn Ffigur 14, mae effaith canfod YOLOv3 yn cael ei gymharu ag effaith M-YOLOv3 mewn amgylchedd arbennig. Fel y dangosir yn Ffigur 14(b1,c1), methodd algorithm YOLOv3 â chanfod yr arwydd traffig aneglur yn achos arwydd traffig aneglur, tra bod yr algorithm YOLOv3 gwell wedi nodi'r arwydd traffig cudd yn gywir; fel y dangosir yn Ffigur 14(b2,c2), roedd algorithm YOLOv3 wedi cael problemau canfod ffug a methiant i ganfod arwyddion traffig o dan amgylchedd arbelydru golau cryf, tra bod yr Algorithm YOLOv3 gwell yn cydnabod yr holl arwyddion traffig yn gywir.

Cynyddodd algorithm gwell YOLOv3 y bedwaredd raddfa rhagfynegi nodwedd ar gyfer targedau bach, gan wella effaith canfod targedau bach, tra bod algorithm YOLOv3 yn cael problemau gyda chanfod a fethwyd a hyder isel ar gyfer targedau bach, fel y dangosir yn Ffigur 14(b3,c3); mewn amgylcheddau prin wedi'u goleuo, megis gyda'r nos, roedd algorithm uwchraddedig YOLOv3 yn cydnabod arwyddion traffig, fel y dangosir yn Ffigur 14(b4,c4); fodd bynnag ni chanfu dull YOLOv3 dargedau. O ganlyniad, o dan sefyllfaoedd penodol, roedd yr algorithm YOLOv3 wedi'i ddiweddaru yn dal i roi canlyniadau canfod gwell.

5. Casgliadau

Yn yr ymchwil hwn, awgrymwyd rhwydwaith canfod ac adnabod arwyddion traffig yn seiliedig ar YOLOv3 wedi'i addasu yn yr ymchwil hwn, i fynd i'r afael ag anawsterau targedau bach sy'n anodd eu canfod a chywirdeb canfod isel wrth ganfod arwyddion traffig a thasgau adnabod.

Galluogodd y strwythur cronni pyramidaidd gofodol newydd gyfuno nodweddion lleol a byd-eang yn yr astudiaeth hon, yn ogystal â chynyddu'r bedwaredd raddfa rhagfynegi nodwedd ar gyfer targedau bach i wella effaith canfod targedau bach. I wneud atchweliad y ffrâm darged yn fwy sefydlog, defnyddiwyd y golled DioU, a oedd â chydgyfeiriant cyflymach ac a oedd yn fwy cyson ag atchweliad ffrâm darged.

Gwellwyd cywirdeb y rhwydwaith canfod yn sylweddol trwy niweidio'r rhwydwaith amser real cyn lleied â phosibl. Cynyddodd y mAP 8.4 pwynt. Fe wnaeth algorithm uwchraddedig YOLOv3 wella cymhlethdod y rhwydwaith a lleihau'r cyflymder canfod. Fodd bynnag, mae canfod amser real ymhell i ffwrdd o hyd; felly, bydd y maes ymchwil nesaf yn hybu cyflymder canfod i gyflawni effaith canfod amser real.

Cyfraniadau Awdur: Methodoleg ac ysgrifennu-paratoi drafft gwreiddiol, AL a CG; dadansoddi ac ymchwilio ffurfiol, YS; curadu data, NX; adnoddau, AL; dilysu, WH Mae pob awdur wedi darllen a chytuno i fersiwn gyhoeddedig y llawysgrif.

Ariannu: Cefnogwyd y prosiect hwn gan Raglen Gwyddoniaeth a Thechnoleg Arloesedd Ieuenctid Addysgol Uwch Taleithiol Shandong (Grant Rhif 2019KJB019), Sefydliad Gwyddoniaeth Naturiol Taleithiol Shandong Tsieina (Grant Rhif ZR2021MF131, ZR2015EL019, a ZR2020ME126), a Sefydliad Cenedlaethol Gwyddoniaeth Naturiol Tsieina. Tsieina (Grant Rhif 61601265 a 51505258). Ariannwyd y prosiect hwn gan Sefydliad Gwyddoniaeth Ôl-ddoethurol Tsieina (Grant Rhif 2021M701405), Prosiect Agored Labordy Allweddol y Wladwriaeth o Ymddygiad Mecanyddol a Diogelwch Systemau Strwythurau Peirianneg Traffig, Tsieina (Grant Rhif 1903), Prosiect Agored Diogelwch a Rheoli Traffig Hebei Labordy Allweddol, Tsieina (Rhif Grant JTKY2019002), a'r Prosiect Arloesedd Gwyddoniaeth a Thechnoleg Mawr yn Nhalaith Shandong (Rhif Grant 2022CXGC020706).

Datganiad y Bwrdd Adolygu Sefydliadol: Amherthnasol.

Datganiad Cydsyniad Gwybodus: Amherthnasol.

Datganiad Argaeledd Data: Amherthnasol.

Diolchiadau: Diolchwn i’r holl awduron am eu cyfraniadau i ysgrifennu’r erthygl hon.

Gwrthdaro Buddiannau: Nid yw'r awduron yn datgan unrhyw wrthdaro buddiannau.

Cyfeiriadau

1. De la Escalera, A.; Armingol, JM; Mata, M. Adnabod a dadansoddi arwyddion traffig ar gyfer cerbydau deallus. Delwedd Vis. Cyfrifiadur. 2003,21, 247–258. [CrossRef]

2. Saadna, Y. ; Behloul, A. Trosolwg o ganfod arwyddion traffig a Dulliau Dosbarthu. Int. J. Aml. Gwybodaeth. Retr. 2017, 6,193–210. [CrossRef]

3. Boumediene, M. ; Cudel, C. ; Basset, M. ; Ouamri, A. Canfod arwyddion traffig trionglog yn seiliedig ar algorithm RSLD. Mach. Vis. Ymg.2013, 24, 1721–1732. [CrossRef]

4. Maldonado- Bascón, S.; Lafuente-Arroyo, A.S.; Gil-Jimenez, P.; Gomez-Moreno, H.; Lopez-Ferreras, F. Canfod arwyddion ffyrdd a chydnabod yn seiliedig ar beiriannau fector cymorth. IEEE Traws. deallus. Traws. Syst. 2007, 8, 264–278. [CrossRef]

5. Bahlmann, C.; Zhu, Y.; Ramesh, V. ; Pellkofer, M.A.; Koehler, T. System ar gyfer canfod arwyddion traffig, olrhain, a chydnabod gan ddefnyddio lliw, siâp a gwybodaeth am symudiadau. Mewn Gweithrediadau IEEE. Symposiwm Cerbydau Deallus, 2005, Las Vegas, NV, UDA, 6–8 Mehefin 2005; 255–260.

6. Ren, S.; Efe, K. ; Girshick, R.; Sun, J. Cyflymach R-CNN: Tuag at Amser Real Canfod Gwrthrychau gyda Chynnig Rhanbarth Networks.Adv. Gwybodaeth Niwral. Proses. Syst. 2015, 28, 91–99. [CrossRef] [PubMed]

7. Liu, W. ; Anguelov, D.; Erhan, D.; Szegedy, C. ; Reed, S.; Fu, C.-Y.; Berg, AC SSD: Synhwyrydd MultiBox Ergyd Sengl. Yn y Gynhadledd Ewropeaidd ar Weledigaeth Cyfrifiadurol; Springer: Cham, y Swistir, 2016; tt 21–37.

8. Redmon, J. ; Divvala, S.; Girshick, R.; Farhadi, A. Dim ond unwaith rydych chi'n edrych: Canfod gwrthrychau amser real, unedig. Mewn Trafodion Cynhadledd IEEE ar Weledigaeth Cyfrifiadurol a Chydnabyddiaeth Patrymau, Las Vegas, NV, UDA, 27-30 Mehefin 2016; IEEE: Piscataway, NJ, UDA, 2016; 779–788.

9. Wang, Z. ; Guo, H. Ymchwil ar ganfod arwyddion traffig yn seiliedig ar rwydwaith niwral convolutional. Mewn Trafodion y 12fed Symposiwm Rhyngwladol ar Gyfathrebu a Rhyngweithio Gwybodaeth Weledol, Shanghai, Tsieina, 20–22 Medi 2019; tt 1–5.

10. Han, C. ; Gao, G. ; Zhang, Y. Canfod arwyddion traffig bach amser real gyda chyflymach-RCNN diwygiedig. Amlgyfrwng. Offer Appl. 2019, 78,13263–13278. [CrossRef]

11. Zhang, J. ; Huang, M.; Jin, X. ; Li, X. Algorithm canfod arwyddion traffig Tsieineaidd amser real yn seiliedig ar YOLOv2 wedi'i addasu. Algorithmau2017, 10, 127. [CrossRef]

12. Zhu, Z. ; Liang, D.; Zhang, S.; Huang, X. ; Li, B. ; Hu, S. Canfod a dosbarthu arwyddion traffig yn y gwyllt. Mewn Trafodion Cynhadledd IEEE ar Weledigaeth Cyfrifiadurol a Chydnabyddiaeth Patrymau 2016, Las Vegas, NV, UDA, 27–30 Mehefin 2016; tt 2110–2118.

For more information:1950477648nn@gmail.com