摘要
“这项研究的重点是通过将训练好的网络部署在GPU和单板EDGE-GPU计算平台上,用于车载传感器套件测试,从而评估智能和安全车辆系统的热物体检测的实时性能。在具有挑战性的天气和环境场景中,获取、处理和开源了一个包含> 35,000个不同帧的新型大规模热数据集。该数据集是由成本低但有效的非冷却LWIR热成像摄像机记录的,该摄像机独立安装在电动汽车上,以最大限度地减少机械振动。最先进的YOLO-V5网络变体使用四个不同的公共数据集以及新获得的本地数据集进行训练,通过使用SGD优化器实现DNN的最佳泛化。使用各种量化指标(包括精度、召回曲线、平均精度和每秒帧数)在大量测试数据上验证了训练网络的有效性。YOLO的较小网络变体使用TensorRT推断加速器进一步优化,以显式提高每秒帧率。在低功耗边缘设备上测试时,优化的网络引擎将帧率提高了3.5倍,从而在Nvidia Jetson Nano上实现11帧/秒,在Nvidia Xavier NX开发板上实现60帧/秒。”
穆罕默德·阿里·法鲁克,瓦西姆·沙里夫,彼得·科科伦。2022年1月提交。
留下回复