自転車利用者の方向検出を用いた脆弱な道路利用者の安全性について ディープラーニングを使用して

本研究中，使用深度学习进行方向检测，特别关注了道路使用者中较为脆弱的一类——自行车骑行者。了解骑行者的方向对于预测其未来的行驶轨迹具有重要意义，这在智能交通系统中避免事故方面至关重要。通过使用预训练模型和TensorFlow进行迁移学习，我们对文献中报告的主要目标检测算法（如SSD、Faster R-CNN、R-FCN）以及MobilenetV2、InceptionV2、ResNet50、ResNet101特征提取器进行了性能比较。此外，我们提出了根据八个不同方向进行多类别检测的方法。为此，我们引入了一个名为“Detect-Bike”的新数据集，该数据集包含11,103张图像中的20,229个骑行者实例，并根据骑行者的方向进行了标注。接着，用于检测的相同深度学习方法被训练以确定目标的朝向。我们的实验结果和广泛的评估表明，所有研究方法在骑行者及其方向检测方面均表现出令人满意的性能，特别是使用ResNet50的Faster R-CNN虽然精度高但速度显著较慢。与此同时，使用InceptionV2的SSD在精度和执行时间之间提供了良好的平衡，并且更适合实时嵌入式应用。