《表3 实际场景交通信号灯的状态分布及评估结果》
此外,还选取了合肥市城区内的243幅实际采集的样本进行了离线评估,对真值数据进行了标签标注。其中将红直行归为红,绿直行归为绿,评估结果如表3所示。可以看出,由于绿右转训练的样本量比较少,TL-YOLO识别的结果非常差,TL-YOLO_S可以对绿右转有着很好识别的效果。对于其他类别的信号灯,TL-YOLO_S相较于TL-YOLO在各类别的AP和精度上有着一定程度的提升。其中红这一类别由于TL-YOLO本身就有较高的识别率,故提升一般,其他类别提升明显。结果表明,所采取的通过形状和颜色约束作为后处理的算法对提高信号灯状态识别的准确性有较大帮助。
图表编号 | XD00188140500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.18 |
作者 | 董晓玉、孔斌、杨静、王灿 |
绘制单位 | 安徽建筑大学、中国科学院合肥智能机械研究所、安徽省智能驾驶技术及应用工程实验室、安徽省仿生感知与先进机器人技术重点实验室、中国科学院合肥智能机械研究所、安徽省智能驾驶技术及应用工程实验室、安徽省仿生感知与先进机器人技术重点实验室、中国科学院合肥智能机械研究所、安徽省智能驾驶技术及应用工程实验室、安徽省仿生感知与先进机器人技术重点实验室、中国科学院合肥智能机械研究所、安徽省智能驾驶技术及应用工程实验室、安徽省仿生感知与先进机器人技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |