• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>NAFOSTED Conference on Information and Computer Science >Vehicle Counting: Survey and Experiments
【24h】

Vehicle Counting: Survey and Experiments

机译：车辆数量：调查和实验

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Traffic management needs information about traffic to control the flow of transports. With millions of traffic video cameras acting as sensors around the world, collecting the information about traffic flow in real-time is quite easy, but using that information to process and control the traffic flow is a challenge. For detecting vehicles, old methods like inductive loop detectors (ILD), infrared detectors (IRDs), laser sensors, etc. have problems with high cost, efficiency, difficulty, etc. The methods we use in this paper are detection-based counting, regression-based counting. The authors propose a new method that is the combination of two methods above to achieve better results. We also evaluate the viability of using Deep Learning pre-trained models include Faster R-CNN, SSD, YOLO for detection-based. We experiment on 2018 AI CITY CHALLENGE datasets and Vehicles Nepal datasets. Our results show the effectiveness of the combining method in accuracy compares to using each of the methods separately.
机译：交通管理需要有关流量的信息来控制运输流程。借助数百万交通摄像机作为世界各地的传感器，收集有关交通流量的信息实时相当简单，但使用该信息来处理和控制流量是挑战。对于检测车辆，旧方法，如感应回路检测器（ILD），红外探测器（IRDS），激光传感器等具有高成本，效率，难度等的问题。我们在本文中使用的方法是基于检测的计数，基于回归的计数。作者提出了一种新的方法，即以上两种方法的组合实现了更好的结果。我们还评估使用深度学习预训练模型的可行性包括更快的R-CNN，SSD，YOLO用于基于检测。我们在2018年的AI城市挑战数据集和车辆尼泊尔数据集进行实验。我们的结果表明，组合方法的有效性在准确性比较与使用各种方法分别进行比较。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号