YOLOv3 एल्गोरिथम भाग 3 पर आधारित ट्रैफ़िक साइन पहचान

3.3. के-मीन्स क्लस्टरिंग एल्गोरिथम के आधार पर प्रायोरी फ्रेम्स तैयार करना

एंकर तंत्र को YOLOv2 में लागू किया गया था, और उत्पन्न उम्मीदवार क्षेत्रों को वास्तविक लेबल वाले फ्रेम के समान बनाने और डिटेक्शन नेटवर्क की रिकॉल को बढ़ावा देने के लिए YOLOv3 में एंकर की संख्या बढ़ाकर नौ कर दी गई थी।

चिह्नित फ़्रेम और मेमोरी के बीच एक मजबूत संबंध है। फ़्रेम को चिह्नित करने से हमें एक निश्चित, नियमित और व्यवस्थित मेमोरी फ्रेमवर्क स्थापित करने में मदद मिल सकती है, जिससे बड़ी मात्रा में जानकारी को याद रखना आसान हो जाता है। उदाहरण के लिए, कोई भाषा सीखते समय, हम नए शब्दों और व्याकरण के नियमों को याद करने के लिए चिह्नित फ़्रेम का उपयोग कर सकते हैं। इतिहास की समीक्षा करते समय, हम ऐतिहासिक घटनाओं और समयरेखाओं को याद करने के लिए चिह्नित फ़्रेम का उपयोग कर सकते हैं। इस प्रकार, हम अमूर्त ज्ञान को अधिक ठोस और समझने योग्य बना सकते हैं।

साथ ही, मार्किंग फ्रेम हमारे मस्तिष्क की साहचर्य क्षमता को भी उत्तेजित कर सकते हैं, जिससे हमारी याददाश्त बढ़ती है। क्योंकि हमारी स्मृति जुड़ाव और संबंध पर आधारित है, चिह्नित फ़्रेम स्थापित करके, हम अधिक स्वाभाविक रूप से नए ज्ञान को मौजूदा ज्ञान से जोड़ सकते हैं, स्मृति और समझ को गहरा कर सकते हैं।

मानव स्मृति क्षमता को प्रशिक्षित और बेहतर बनाया जा सकता है। निरंतर अभ्यास और फ़्रेमों को चिह्नित करने जैसी स्मृति तकनीकों के उपयोग के माध्यम से, हम अपनी याददाश्त में सुधार कर सकते हैं और जीवन और कार्य में जटिल जानकारी और कार्यों का बेहतर ढंग से सामना कर सकते हैं।

संक्षेप में, फ़्रेम को चिह्नित करना एक बहुत प्रभावी मेमोरी तकनीक है। यह हमें महत्वपूर्ण जानकारी को अधिक तेज़ी से और सटीकता से याद रखने में मदद कर सकता है। यह हमारी साहचर्य क्षमता को भी उत्तेजित कर सकता है और हमारी याददाश्त में सुधार कर सकता है। आइए हम अपने स्मृति कौशल को लगातार बेहतर बनाने के लिए चिह्नित फ़्रेमों का सक्रिय रूप से उपयोग करें! यह देखा जा सकता है कि हमें याददाश्त में सुधार करने की आवश्यकता है, और सिस्टैंच डेजर्टिकोला याददाश्त में काफी सुधार कर सकता है क्योंकि सिस्टैंच डेजर्टिकोला एक पारंपरिक चीनी औषधीय सामग्री है जिसके कई अद्वितीय प्रभाव हैं, जिनमें से एक स्मृति में सुधार करना है। कीमा बनाया हुआ मांस की प्रभावकारिता इसमें मौजूद विभिन्न सक्रिय तत्वों से आती है, जिसमें एसिड, पॉलीसेकेराइड, फ्लेवोनोइड आदि शामिल हैं। ये तत्व विभिन्न तरीकों से मस्तिष्क स्वास्थ्य को बढ़ावा दे सकते हैं।

अल्पकालिक स्मृति में सुधार के लिए जानिए पर क्लिक करें

मूल एंकर का उपयोग करना उचित नहीं था, क्योंकि ट्रैफ़िक संकेत मुख्य रूप से छोटे और मध्यम लक्ष्य होते हैं, TT100K डेटासेट में कम बड़े लक्ष्य होते हैं। एक विशिष्ट डेटासेट के लिए, एक उपयुक्त प्रारंभिक एंकर चुनने से पता लगाने के प्रभाव में सुधार हो सकता है, नेटवर्क को सीखना आसान हो सकता है, और बाउंडिंग बॉक्स का पता लगाने की दर बढ़ सकती है।

कैंडिडेटबॉक्स प्राप्त करने के लिए के-मीन्स क्लस्टरिंग एल्गोरिदम का प्रवाह चित्र 7 में दिखाया गया है।

TT100K डेटासेट में, उन्नत YOLOv3 नेटवर्क संरचना में एक फीचर भविष्यवाणी स्केल शामिल है, जिसके परिणामस्वरूप चार स्केल और बारह एंकर हैं: (4, 5), (5, 6), (7, 7), (7, 13), (8, 8), (9, 10), (11, 12), (13, 14), (16, 17), (20, 22), (27, 29), और (41, 44)।

4. प्रयोग एवं परिणामों का विश्लेषण

4.1. डेटासेट और मूल्यांकन संकेतक

कुछ बड़े, सार्वजनिक रूप से उपलब्ध ट्रैफ़िक संकेत डेटासेट हैं, जिनमें से अधिकांश जीटीएसडीबी का उपयोग करते हैं, लेकिन जीटीएसडीबी चीनी ट्रैफ़िक संकेतों के समान नहीं है। CTSDB, CCTSDB, और TT100K, अन्य के अलावा, चीनी ट्रैफ़िक साइन डेटासेट हैं।

सीसीटीएसडीबी का विस्तार सीटीएसडीबी के आधार पर किया गया था, और इसकी श्रेणियों को यातायात संकेतों के विस्तृत वर्गीकरण के बिना, चेतावनी संकेत, दिशात्मक संकेत और निषेध संकेतों में विभाजित किया गया था।

TT100K ट्रैफ़िकसाइन संग्रह Tencent और सिंघुआ विश्वविद्यालय के सहयोग से बनाया गया था। इसने यातायात संकेतों के संपूर्ण वर्गीकरण और पहचान की पेशकश की, विभिन्न जलवायु और प्रकाश व्यवस्था की परिस्थितियों को कवर किया, और वास्तविक ड्राइविंग स्थितियों के लिए अधिक सटीक था।

इसलिए, इस पेपर में TT100K ट्रैफ़िक साइन डेटासेट का उपयोग किया गया था, और कुछ ट्रैफ़िक संकेत और श्रेणी की जानकारी चित्र 8 में दिखाई गई है।

TT100K डेटासेट में 2048 x 2048 पिक्सल के रिज़ॉल्यूशन के साथ 100, {2}} तस्वीरें हैं, हालांकि बिना लेबल वाले ट्रैफ़िक संकेत छवियां हैं, और कुछ श्रेणियों में केवल कुछ छवियां या डुप्लिकेट छवियां हैं, जो पहचान प्रभाव को कम करती हैं।

इसलिए, इस पेपर ने डेटासेट से बिना लेबल वाली और डुप्लिकेट ट्रैफिक साइन छवियों को हटा दिया और अधिक संख्या में ट्रैफिक संकेतों वाली 45 श्रेणियों का चयन किया, जहां 45 ट्रैफिक साइन श्रेणियां थीं: पीएन, पीएनई, आई5, पीएलएल, पीएल40, पीओ, पीएल50, पीएल80 , आईओ, पीएल60, पी26, आई4, पीएलएल00, पीएल30, आईएल60, एल5, आई2, डब्ल्यू57, पी5, पी10, आईपी, पीएल120, आईएल80, पी23, पीआर40.पीएच4। 5, w59, p12, p3, w55. pm20, pl20, pg, pl70, pm55, il100, p27, w13, p19, ph4, ph5, wo, p6.pm30, और w32, और प्रत्येक ट्रैफ़िक साइन श्रेणी की संख्या चित्र 9 में दिखाई गई है।

चित्र 9 से पता चलता है कि भले ही बड़ी संख्या में यातायात संकेतों वाली 45 श्रेणियां चुनी गईं, फिर भी प्रत्येक श्रेणी के बीच डेटा की मात्रा में एक महत्वपूर्ण असंतुलन था, जिसके परिणामस्वरूप खराब मॉडल भविष्यवाणी सटीकता हुई। परिणामस्वरूप, जैसा कि चित्र 10 में दर्शाया गया है, इस कार्य ने रंग विचलन, गॉसियन शोर और छवि रोटेशन जैसी युक्तियों को नियोजित करके डेटासेट को संतुलित और विस्तारित किया ताकि यह सुनिश्चित किया जा सके कि प्रत्येक श्रेणी की मात्रा यथासंभव बराबर थी।

मोज़ेक दृष्टिकोण एक समय में चार छवियों को पढ़ता है, प्रत्येक छवि के रंग सरगम ​​को मापता है और बदलता है, उन्हें चार दिशाओं में व्यवस्थित करता है और फिर लक्ष्य का वास्तविक फ्रेम बनाने के लिए छवियों को एक साथ जोड़ता है।

एन्हांसमेंट विधि एक इनपुट के साथ चार छवियों के मापदंडों की गणना के बराबर, चार छवियों को सिलाई करती है। यह बैच इनपुट के लिए छवियों की संख्या को कम कर सकता है, प्रशिक्षण कठिनाई और प्रशिक्षण लागत को कम कर सकता है, प्रशिक्षण की गति में सुधार कर सकता है, और डेटासेट में नमूनों की संख्या को बड़े पैमाने पर समृद्ध कर सकता है, जो सीखने के लिए अनुकूल है।

इस पेपर में, मॉडल के प्रदर्शन का मूल्यांकन करने के लिए COCO डेटासेट के मूल्यांकन मेट्रिक्स, जिसमें mAPou - 050APs, APM, AP और कई अन्य मेट्रिक्स शामिल थे, का उपयोग किया गया था। विशेष रूप से, TT100K ट्रैफ़िक साइन डेटासेट में अधिकांश ट्रैफ़िक संकेत छोटे लक्ष्यों से संबंधित थे, इसलिए छोटे लक्ष्यों की पहचान सटीकता पर विशेष ध्यान देने की आवश्यकता थी। मूल्यांकन मेट्रिक्स के विशिष्ट अर्थ इस प्रकार हैं:

एपी: पीआर वक्र के नीचे का क्षेत्र, जहां पीआर क्रमशः सटीक और रिकॉल है:

एपीआई {0}}.50: जब IoU सीमा 0.50 पर सेट की जाती है, तो यह डेटासेट में AP की सभी श्रेणियों का औसत होता है, जो PASCAL VOC डेटासेट का मूल्यांकन सूचकांक है और इसके अनुरूप है COCO मूल्यांकन सूचकांक में APIoU=0.50 तकmAPloU= 0.50: जब loU सीमा 0.50 पर सेट की जाती है, तो यह डेटासेट में एपी की सभी श्रेणियों का औसत होता है, जो का मूल्यांकन सूचकांक है PASCAL VOC डेटासेट और COCO मूल्यांकन सूचकांक में APloU=0.5 से मेल खाता है।

एपी: छोटी वस्तुओं के लिए एमएपी का औसत मूल्य: क्षेत्र <322, और कुल के लिए एलओयू=रेंज (0.5, 1.00, 0.05) 10 ओयू में से.

एपीएम: मध्यम वस्तुएं: 322 <क्षेत्र <962, और एलओयू=रेंज (0.5, 1.00, 0.05) के लिए एमएपी का औसत मूल्य कुल 10 IoUs.

एपी: बड़ी वस्तुओं के लिए एमएपी का औसत मूल्य: क्षेत्र > 962, और एलओयू=रेंज (0.5, 1.00, 0.05 कुल 10 के लिए IoUs.

4.2. प्रायोगिक परिणाम और विश्लेषण

4.2.1. बेहतर YOLOv3 तुलना प्रयोग

इस अध्ययन में उन्नत तरीकों वाले तीन YOLOv3 नेटवर्क की तुलना और परीक्षण किया गया, जिसमें TT100K ट्रैफिक साइन डेटासेट और इनपुट छवियों का उपयोग किया गया, जिनका आकार 608 × 608 पिक्सेल था। चित्र 11 TT100 डेटासेट पर प्रशिक्षित M-YOLOv3 का मानचित्र और AR प्रदर्शित करता है।

लक्ष्य के विभिन्न आकारों का पता लगाने के परिणाम चित्र 12 और तालिका 1 में दिखाए गए हैं। उनमें से, YOLOv3-DK ने हानि फ़ंक्शन DIoU हानि और पुन: क्लस्टरिंग एंकर में सुधार की रणनीति अपनाई; YOLOv3-SPP ने पिरामिडपूलिंग संरचना की संलयन अंतरिक्ष रणनीति को अपनाया; YOLOv3-4l ने 152 × 152 स्केल के साथ चौथी भविष्यवाणी फीचरलेयर जोड़ने की रणनीति अपनाई; और M-YOLOv3 सभी बेहतर रणनीतियों का उपयोग करते हुए YOLOv3 नेटवर्क संरचना थी।

तालिका 1 और चित्र 12 से पता चलता है कि किसी भी रणनीति को नियोजित किए बिना मूल YOLOv3 की औसत सटीकता 68.9% थी। इसके विपरीत, सभी तरीकों के साथ उन्नत YOLOv3 का मानचित्र 77.3% था, जो पहचान में 8.4% का सुधार था।

DIoU हानि फ़ंक्शन और री-क्लस्टरिंग एंकर तकनीक ने पहचान सटीकता को 1.3% तक बढ़ाया; हालाँकि, सुधार प्रशिक्षण के दौरान तेज़ हानि फ़ंक्शन अभिसरण के कारण हुआ, जिसने लक्ष्य बॉक्स प्रतिगमन को अधिक स्थिर बना दिया और रिकॉल दर में सुधार किया। एमएपी में अधिक स्पष्ट सुधार YOLOv3 में देखे गए, जिसमें एक एसपीपी संरचना शामिल थी और 73.2% हासिल किया गया।

एसपीपी संरचना ने स्थानीय और वैश्विक विशेषताओं को संयोजित किया, जिससे फीचर मैप की खुद को व्यक्त करने की क्षमता में वृद्धि हुई और पहचान सटीकता में काफी वृद्धि हुई। 152 × 152 स्केल के साथ चौथी भविष्यवाणी फीचर परत जोड़ने की विधि का उपयोग करके, एपी में भी काफी सुधार हुआ था।

YOLOv3 की तुलना में छोटे-लक्ष्य का पता लगाने की सटीकता 10.5% बढ़ गई थी, जिसने छोटे-लक्ष्य की भविष्यवाणी के लिए नेटवर्क में उथली सुविधाओं का पूरा उपयोग किया, जिसके परिणामस्वरूप पहचान प्रभाव में काफी सुधार हुआ, लेकिन बढ़ी हुई नेटवर्क जटिलता और प्रसंस्करण की कीमत पर . सबसे अच्छा सुधार M-YOLOv3 था, जिसने तीन सुधार प्रक्रियाओं को संयोजित किया और 77.3% का एमएपी हासिल किया, जो मूल YOLOv30 की औसत औसत सटीकता से 8.4% अधिक है। चित्र 13 TT100K पर M-YOLOv3 के परीक्षण परिणामों को दर्शाता है।

4.2.2. अन्य एल्गोरिदम के साथ बेहतर YOLOv3 एल्गोरिदम की तुलना

बेहतर नेटवर्क की पहचान पहचान को और अधिक सत्यापित करने के लिए M-YOLOv3 की तुलना कई अन्य शास्त्रीय लक्ष्य पहचान एल्गोरिदम के साथ की गई थी, और परिणाम तालिका 2 में दिखाए गए हैं।

तालिका 2 दर्शाती है कि M-YOLOv3 का MAP 77.3% उच्चतम था, और SSD का वास्तविक समय प्रदर्शन 42 के FPS के साथ सबसे अच्छा था। मूल YOLOv3 एल्गोरिदम की तुलना में, औसत परिशुद्धता माध्य में काफी सुधार हुआ था, हालांकि वास्तविक समय प्रदर्शन कम हो गया था. वन-स्टेज एल्गोरिदम एसएसडी की तुलना में, एमएपी में 12% सुधार हुआ, लेकिन वास्तविक समय के प्रदर्शन में अभी भी एक अंतर था। दो-चरण लक्ष्य पहचान एल्गोरिदम फास्टर-आरसीएनएन की तुलना में, एफपीएस को 22 तक सुधार दिया गया था, और एमएपी में भी 1.7% का सुधार हुआ था, जिससे पहचान की गति में सुधार हुआ, साथ ही पहचान सटीकता में भी सुधार हुआ। परीक्षणों से पता चला कि M-YOLOv3 ने पता लगाने की सटीकता और गति के मामले में बेहतर प्रदर्शन किया।

4.2.3. एक विशेष वातावरण में यातायात संकेतों पर YOLOv3 का बेहतर पहचान प्रभाव

विभिन्न कारकों के कारण, जैसे कि मजबूत प्रकाश विकिरण, रात का समय, और यातायात संकेत रोड़ा के विशेष वातावरण, जो वास्तविक दुनिया के ड्राइविंग परिदृश्यों में यातायात संकेत का पता लगाने और पहचान को प्रभावित करेगा, विशेष वातावरण में यातायात संकेतों पर मॉडल के पहचान प्रभाव पर विचार करना भी आवश्यक था। विशेष परिस्थितियों में, उन्नत YOLOv3 मॉडल को यातायात संकेतों को पहचानने के लिए नियोजित किया गया था, जैसा कि चित्र 13 में दिखाया गया है।

चित्र 14 में, YOLOv3 के पता लगाने के प्रभाव की तुलना एक विशेष वातावरण में M-YOLOv3 के साथ की जाती है। जैसा कि चित्र 14(बी1,सी1) में दिखाया गया है, YOLOv3 एल्गोरिदम अस्पष्ट ट्रैफ़िक संकेत के मामले में अस्पष्ट ट्रैफ़िक संकेत का पता लगाने में विफल रहा, जबकि बेहतर YOLOv3 एल्गोरिदम ने अस्पष्ट ट्रैफ़िक संकेत की सटीक पहचान की; जैसा कि चित्र 14 (बी2,सी2) में दिखाया गया है, YOLOv3 एल्गोरिदम में तेज प्रकाश विकिरण के वातावरण के तहत ट्रैफ़िक संकेत पहचान के लिए गलत पहचान और मिस्ड डिटेक्शन की समस्याएं थीं, जबकि बेहतर YOLOv3 एल्गोरिदम ने सभी ट्रैफ़िक संकेतों को सटीक रूप से पहचाना।

बेहतर YOLOv3 एल्गोरिदम ने छोटे लक्ष्यों के लिए चौथे फीचर भविष्यवाणी पैमाने को बढ़ाया, जिससे छोटे लक्ष्यों का पता लगाने के प्रभाव में सुधार हुआ, जबकि YOLOv3 एल्गोरिदम में छोटे लक्ष्यों के लिए मिस्ड डिटेक्शन और कम आत्मविश्वास के मुद्दे थे, जैसा कि चित्र 14 (बी 3, सी 3) में दिखाया गया है; मंद रोशनी वाले वातावरण में, जैसे कि रात में, उन्नत YOLOv3 एल्गोरिदम यातायात संकेतों को पहचानता है, जैसा कि चित्र 14 (बी 4, सी 4) में दिखाया गया है; हालाँकि YOLOv3 विधि ने लक्ष्य का पता नहीं लगाया। परिणामस्वरूप, विशेष परिस्थितियों में, अद्यतन YOLOv3 एल्गोरिथ्म अभी भी बेहतर पहचान परिणाम देता है।

प्र. 5। निष्कर्ष

इस शोध में संशोधित YOLOv3 पर आधारित एक ट्रैफिक साइन डिटेक्शन और रिकग्निशन नेटवर्क का सुझाव दिया गया था, ताकि ट्रैफिक साइन डिटेक्शन और पहचान कार्यों में छोटे लक्ष्यों का पता लगाना मुश्किल हो और कम डिटेक्शन सटीकता की कठिनाइयों का समाधान किया जा सके।

नई स्थानिक पिरामिड पूलिंग संरचना ने इस अध्ययन में स्थानीय और वैश्विक विशेषताओं के संलयन को सक्षम किया, साथ ही छोटे लक्ष्यों के पता लगाने के प्रभाव को बेहतर बनाने के लिए छोटे लक्ष्यों के लिए चौथे फीचर भविष्यवाणी पैमाने को बढ़ाया। लक्ष्य फ़्रेम प्रतिगमन को अधिक स्थिर बनाने के लिए, DIoU हानि का उपयोग किया गया था, जिसमें तेज़ अभिसरण था और लक्ष्य फ़्रेम प्रतिगमन के साथ अधिक सुसंगत था।

वास्तविक समय नेटवर्क को यथासंभव कम नुकसान पहुँचाकर पता लगाने वाले नेटवर्क की सटीकता में काफी सुधार किया गया था। एमएपी में 8.4 अंक की वृद्धि हुई। उन्नत YOLOv3 एल्गोरिदम ने नेटवर्क की जटिलता को बढ़ाया और पता लगाने की गति को कम कर दिया। हालाँकि, वास्तविक समय में पता लगाना अभी भी बहुत दूर है; इसलिए, अगला अनुसंधान क्षेत्र वास्तविक समय का पता लगाने के प्रभाव को पूरा करने के लिए पता लगाने की गति को बढ़ावा देगा।

लेखक का योगदान: कार्यप्रणाली और लेखन-मूल मसौदा तैयार करना, एएल और सीजी; औपचारिक विश्लेषण और जांच, वाईएस; डेटा क्यूरेशन, एनएक्स; संसाधन, एएल; सत्यापन, WH सभी लेखकों ने पांडुलिपि के प्रकाशित संस्करण को पढ़ा है और उससे सहमत हैं।

फंडिंग: इस परियोजना को शेडोंग प्रांतीय उच्च शैक्षिक युवा नवाचार विज्ञान और प्रौद्योगिकी कार्यक्रम (अनुदान संख्या 2019KJB019), चीन के शेडोंग प्रांतीय प्राकृतिक विज्ञान फाउंडेशन (अनुदान संख्या ZR2021MF131, ZR2015EL019, और ZR2020ME126), और राष्ट्रीय प्राकृतिक विज्ञान फाउंडेशन द्वारा समर्थित किया गया था। चीन (अनुदान संख्या 61601265 और 51505258)। इस परियोजना को चीन पोस्टडॉक्टरल साइंस फाउंडेशन (अनुदान संख्या 2021M701405) द्वारा वित्त पोषित किया गया था, जो ट्रैफिक इंजीनियरिंग संरचनाओं के मैकेनिकल व्यवहार और सिस्टम सुरक्षा की राज्य कुंजी प्रयोगशाला की खुली परियोजना, चीन (अनुदान संख्या 1903), हेबै यातायात सुरक्षा और नियंत्रण की खुली परियोजना है। प्रमुख प्रयोगशाला, चीन (अनुदान संख्या JTKY2019002), और शेडोंग प्रांत में प्रमुख विज्ञान और प्रौद्योगिकी नवाचार परियोजना (अनुदान संख्या 2022CXGC020706)।

संस्थागत समीक्षा बोर्ड वक्तव्य: लागू नहीं।

सूचित सहमति वक्तव्य: लागू नहीं।

डेटा उपलब्धता विवरण: लागू नहीं।

आभार: हम इस लेख को लिखने में उनके योगदान के लिए सभी लेखकों को धन्यवाद देते हैं।

हितों का टकराव: लेखक हितों का कोई टकराव नहीं होने की घोषणा करते हैं।

संदर्भ

1. डे ला एस्केलेरा, ए.; आर्मिंगोल, जेएम; माता, एम. बुद्धिमान वाहनों के लिए यातायात संकेत पहचान और विश्लेषण। छवि विस. गणना. 2003,21, 247-258। [क्रॉसरेफ]

2. सादना, वाई.; बेहलौल, ए. यातायात संकेत का पता लगाने और वर्गीकरण विधियों का एक सिंहावलोकन। इंट. जे. मल्टीमेड. जानकारी। रिट्र. 2017, 6,193-210। [क्रॉसरेफ]

3. बाउमेडीन, एम.; कुडेल, सी.; बैसेट, एम.; ओउमरी, ए. आरएसएलडी एल्गोरिदम के आधार पर त्रिकोणीय यातायात संकेतों का पता लगाना। मच. विस. Appl.2013, 24, 1721-1732। [क्रॉसरेफ]

4. माल्डोनाडो-बास्कोन, एस.; लाफुएंते-अरोयो, एस.; गिल-जिमेनेज़, पी.; गोमेज़-मोरेनो, एच.; लोपेज़-फेरेरास, एफ. सपोर्ट वेक्टर मशीनों के आधार पर सड़क-चिह्न का पता लगाना और पहचानना। आईईईई ट्रांस. Intell. ट्रांसप. सिस्ट. 2007, 8, 264-278। [क्रॉसरेफ]

5. बहल्मन, सी.; झू, वाई.; रमेश, वी.; पेल्कोफ़र, एम.; कोहलर, टी. रंग, आकार और गति की जानकारी का उपयोग करके यातायात संकेत का पता लगाने, ट्रैकिंग और पहचान के लिए एक प्रणाली। आईईईई कार्यवाही की कार्यवाही में। इंटेलिजेंट वाहन संगोष्ठी, 2005, लास वेगास, एनवी, यूएसए, 6-8 जून 2005; पीपी. 255-260.

6. रेन, एस.; वह, के.; गिर्शिक, आर.; सन, जे. फास्टर आर-सीएनएन: रीजन प्रपोजल नेटवर्क्स के साथ रियल-टाइम ऑब्जेक्ट डिटेक्शन की ओर। तंत्रिका संबंधी जानकारी. प्रक्रिया। सिस्ट. 2015, 28, 91-99। [क्रॉसरेफ] [पबमेड]

7. लियू, डब्ल्यू.; एंगुएलोव, डी.; एरहान, डी.; ज़ेगेडी, सी.; रीड, एस.; फू, सी.-वाई.; बर्ग, एसी एसएसडी: सिंगल शॉट मल्टीबॉक्स डिटेक्टर। कंप्यूटर विज़न पर यूरोपीयसम्मेलन में; स्प्रिंगर: चाम, स्विट्जरलैंड, 2016; पृ. 21-37.

8. रेडमन, जे.; दिव्वाला, एस.; गिर्शिक, आर.; फरहादी, ए. आप केवल एक बार देखें: एकीकृत, वास्तविक समय वस्तु का पता लगाना। कंप्यूटर विजन और पैटर्न पहचान पर आईईईई सम्मेलन की कार्यवाही में, लास वेगास, एनवी, यूएसए, 27-30 जून 2016; आईईईई: पिस्काटावे, एनजे, यूएसए,2016; पीपी. 779-788.

9. वांग, जेड.; गुओ, एच. कन्वेन्शनल न्यूरल नेटवर्क पर आधारित ट्रैफिक साइन डिटेक्शन पर शोध। दृश्य सूचना संचार और इंटरैक्शन पर 12वीं अंतर्राष्ट्रीय संगोष्ठी की कार्यवाही में, शंघाई, चीन, 20-22 सितंबर 2019; पृ. 1-5.

10. हान, सी.; गाओ, जी.; झांग, वाई. संशोधित तेज़-आरसीएनएन के साथ वास्तविक समय में छोटे ट्रैफ़िक संकेत का पता लगाना। मल्टीमीडिया. उपकरण ऐपल. 2019, 78,13263–13278। [क्रॉसरेफ]

11. झांग, जे.; हुआंग, एम.; जिन, एक्स.; ली, एक्स. संशोधित YOLOv2 पर आधारित एक वास्तविक समय चीनी ट्रैफ़िक साइन डिटेक्शन एल्गोरिदम। एल्गोरिदम2017, 10, 127. [क्रॉसरेफ]

12. झू, जेड.; लियांग, डी.; झांग, एस.; हुआंग, एक्स.; ली, बी.; हू, एस. जंगल में यातायात-चिह्न का पता लगाना और वर्गीकरण। कंप्यूटर विज़न और पैटर्न पहचान 2016 पर आईईईई सम्मेलन की कार्यवाही में, लास वेगास, एनवी, यूएसए, 27-30 जून 2016; पीपी. 2110-2118.

For more information:1950477648nn@gmail.com