核心概念
提出一種新的深度學習偵測系統,解決了先前工作中的挑戰。利用綜合數據集進行強大的評估,並提出一種創新的使用道路方向箭頭標記的相關性估算系統,無需事先建立地圖。
摘要
本文介紹了一種新的深度學習交通號誌偵測系統,解決了先前工作中的挑戰。作者利用包括Bosch Small Traffic Lights Dataset、LISA、DriveU Traffic Light Dataset和Karlsruhe專有數據集在內的綜合數據集,確保在各種場景下進行強大的評估。此外,作者提出了一種創新的相關性估算系統,利用道路方向箭頭標記,消除了事先建立地圖的需求。在DriveU數據集上,這種方法可以達到96%的相關性估算準確率。最後,作者進行了實際道路評估,以評估這些模型的部署和泛化能力。為了可重複性和促進進一步研究,作者提供了模型權重和代碼。
統計資料
在DriveU數據集上,使用道路方向箭頭標記的相關性估算方法可以達到96%的準確率。
在BSTLD數據集上,YOLOv7模型的平均精確度(mAP)為0.62,召回率為0.58,三種狀態的平均精確度(mAP3states)為0.83。
在LISA數據集上,YOLOv7模型的平均精確度(mAP)為0.65,精確率為0.64,召回率為0.68。
在HDTLR數據集上,YOLOv8m模型的平均精確度(mAP)達到0.99,精確率為0.96,召回率為0.98。
在DTLD數據集上,YOLOv7模型的平均精確度(mAP)為0.59,精確率為0.77,召回率為0.54。
引述
"利用道路方向箭頭標記的相關性估算方法可以達到96%的準確率。"
"在HDTLR數據集上,YOLOv8m模型的平均精確度(mAP)達到0.99,精確率為0.96,召回率為0.98。"