BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  29,794,689
  • Công bố khoa học và công nghệ Việt Nam

50

Khoa học máy tính

BB

Vũ Lê Quỳnh Phương, Trần Nguyễn Minh Thư(1), Phạm Nguyên Khang(2)

Hiệu quả các nhóm mô hình học sâu trong bài toán phát hiện phương tiện giao thông

Efficiency of Deep Learning Model groups in vehicle detection

Khoa học (Đại học Cần Thơ)

2024

1

20-27

1859-2333

Học sâu, Phát hiện đối tượng, Phát hiện phương tiện giao thông, “Transformer”

Deep learning, Object detection, Transformer, Vehicle detection

Các mô hình phát hiện đối tượng dựa trên mạng nơ-ron tích chập đang phát triển liên tục và được áp dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là trong hệ thống giao thông thông minh. Trong nghiên cứu này, các kỹ thuật học sâu đã được áp dụng, đặc biệt là các mô hình phát hiện phương tiện giao thông trong thời gian thực: dựa trên “anchor” (điển hình như mô hình You Only Look Once - YOLO), dựa trên “keypoint”(điển hình như mô hình CenterNet), và dựa trên “transformer”(điển hình như mô hình Detection Transformers - DETR). Các mô hình đã được tinh chỉnh và huấn luyện thông qua kỹ thuật học chuyển tiếp để cải thiện khả năng phát hiện phương tiện giao thông. Kết quả của các thử nghiệm đã chỉ ra rằng mô hình YOLO đạt được độ chính xác cao nhất (98,3%) với thời gian thực thi là 11,7 ms. Trong khi đó, mô hình DETR thực hiện thời gian thực thi nhanh nhất (2,3 ms), nhưng độ chính xác thấp nhất (62,4%). Mô hình CenterNet là lựa chọn tốt nhất (94,11% - 8 ms) vì cân đối được giữa độ chính xác và thời gian thực thi, có thể được sử dụng trong các ứng dụng thời gian thực.

 

Object detection models based on convolutional neural networks are continuously evolving and widely applied in various domains, especially in intelligent transportation systems. In this study, the authors applied deep learning techniques, particularly real-time vehicle detection models: based on anchor-box (for example, You Only Look Once - YOLO), based on keypoint (for example CenterNet), and based on Transformers (for example, Detection Transformers - DETR) for detection vehicles. These models were fine-tuned and trained using transfer learning techniques to enhance vehicle detection capabilities. The results of the experiments indicated that the YOLO model achieved the highest accuracy (98.3%) with 11.7 ms time of detection. Meanwhile, the DETR model had the fastest execution time (2.3 ms) but the lowest accuracy (62.4%). The CenterNet model proved to be the best choice (94.11% - 8 ms) as it struck a balance between accuracy and execution time, making it suitable for real-time applications.

 

TTKHCNQG, CVv 403

Xem toàn văn