今天給大家分享一下，斑馬線檢測(cè)數(shù)據(jù)集CDSet-3434 CDSet: 斑馬線檢測(cè)數(shù)據(jù)集，包含3434張?jiān)谲囕d攝像頭上采集到的斑馬線圖像，并提出CDNet: 基于YOLOv5的斑馬線檢測(cè)和車輛過(guò)線行為檢測(cè)網(wǎng)絡(luò)，數(shù)據(jù)集和代碼已開(kāi)源!單位: 上海交通大學(xué)，上海西虹橋?qū)Ш郊夹g(shù)公司，中科院，國(guó)科大 CDSet數(shù)據(jù)集包含3434張圖像，包括白天、雨天、遮擋、變形、截?cái)?、夜晚、破損、炫光等真實(shí)場(chǎng)景，目標(biāo)包含斑馬線和導(dǎo)流線兩個(gè)類別，數(shù)據(jù)集被切分為3080張訓(xùn)練集和354張測(cè)試集。此外，本數(shù)據(jù)集還提供了額外的標(biāo)注為有無(wú)斑馬線的1770張圖像用于測(cè)試。本研究提出基于改進(jìn)YOLOv5的人行橫道檢測(cè)網(wǎng)絡(luò) (CDNet) ，實(shí)現(xiàn)車載攝像頭視覺(jué)下快速準(zhǔn)確的人行橫道檢測(cè)，并在Jetson nano設(shè)備上實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。強(qiáng)大的卷積神經(jīng)網(wǎng)絡(luò)特征提取器用于處理復(fù)雜環(huán)境，網(wǎng)絡(luò)中嵌入了squeeze-and-excitation (SE) 注意力機(jī)制模塊，使用負(fù)樣本訓(xùn)練 (NST) 方法提高準(zhǔn)確率，利用感興趣區(qū)域 (ROI)算法進(jìn)一步提高檢測(cè)速度，提出了一種新的滑動(dòng)感受野短時(shí)向量記憶 (SSVM)算法來(lái)提高車輛交叉行為檢測(cè)精度，使用合成霧增強(qiáng)算法允許模型適應(yīng)有霧的場(chǎng)景。最后，在 Jetson nano 上以 33.1 FPS 的檢測(cè)速度，我們?cè)谏鲜鰪?fù)雜場(chǎng)景中獲得了 94.83% 的平均 F1 分?jǐn)?shù)。對(duì)于晴天和陰天等更好的天氣條件，F(xiàn)1 分?jǐn)?shù)超過(guò)98%。該工作為人工神經(jīng)網(wǎng)絡(luò)算法優(yōu)化方法在邊緣計(jì)算設(shè)備上的具體應(yīng)用提供了參考，發(fā)布的模型為智能交通管理系統(tǒng)提供了算法支持。

論文地址：https://doi.org/10.1007/s00521-022-07007-9 代碼地址：https://note.ihep.ac.cn/s/gukU6Oer0