Schnellere R-CNN und YOLO-basierte Fahrzeugerkennung: Eine Umfrage

Die automatische Erkennung von fahrenden Fahrzeugen spielt eine entscheidende und herausfordernde Rolle bei der Durchführung intelligenter Verkehrsurveillance. Zahlreiche Forschungsprojekte zur ordnungsgemäßen Erkennung und Verfolgung von Fahrzeugen wurden durchgeführt, und die unter diesen Projekten entwickelten Methoden haben in verschiedenen wichtigen Anwendungen Verwendung gefunden, z.B. zur Minimierung der tödlichen Unfälle, die hauptsächlich aufgrund von Fahrerverschulden, schlechten Sichtverhältnissen bei widrigen Wetterbedingungen oder unzureichender Beleuchtung auftreten. Derzeit wurden mehrere tiefneuronale Netzwerke vorgeschlagen, um die Objekterkennung durchzuführen. Dieses Papier bietet einen umfassenden Überblick über die bestehenden Methoden zur Fahrzeugerkennung und -verfolgung, die auf dem Faster Region-based Convolutional Neural Network (Faster R-CNN) und YOLO basieren. In dieser Umfrage haben wir die bestehenden Methoden zur Fahrzeugerkennung in verschiedene Gruppen unterteilt, je nachdem, welche Architektur (Faster R-CNN/YOLO) als Rückgrat dieser entwickelten Methoden verwendet wurde. Wir haben die gesamte Umfrage in chronologischer Reihenfolge organisiert, um die Wechselbeziehungen zwischen den vorgeschlagenen Methoden hervorzuheben. Neben der Durchführung detaillierter Analysen der bestehenden Methoden haben wir die jeweiligen Architekturen von Faster R-CNN, YOLO und deren vorgeschlagenen Varianten in dieser Umfrage ausführlich beschrieben, um das Verständnis zu erleichtern. Wir schließen dieses Papier mit einer Auflistung der Einschränkungen der bestehenden Arbeiten und unerforschten Aspekten dieses Forschungsthemas ab. Wir haben auch einen Blick auf den zukünftigen Bereich dieses Forschungsgebiets geworfen.