道路异常检测

首先将数据集按照这个 操作放入.datasets这里,然后新建一个output文件夹,该文件夹是空的

如图所示datasts里面的文件夹有3个

然后运行example_inference.py文件,该文件运行完之后生成的文件在outputs/anomaly_p路径下面,如图1所示,这个文件夹的路径可以自己修改,在evaluation.py的第30行,如图2所示,图2是我自己改的路径,在1文件夹下面

图1

图2

但是运行example_inference.py时会遇到问题

1.ValueError: AnomalyTrack-all(H:\图像分类-3-13\road-anomaly-benchmark-master\road-anomaly-benchmark-master\datasets\dataset_AnomalyTrack): The dataset should have 1
10 frames but found 100

修改如上图所示地方,接着报错

KeyError: 'validation0000'

原来的输入命令是:

methods=Method1,Method2

python -m road_anomaly_benchmark metric PixBinaryClass $methods AnomalyTrack-validation,FishyLAFAnomaly-val
python -m road_anomaly_benchmark metric SegEval-AnomalyTrack $methods AnomalyTrack-validation,FishyLAFAnomaly-val

因为我的inference是

  • dataset_ObstacleTrack
  • 所以我把数据集改成 ObstacleTrack-all

发现是数据集的问题修改输入命令为

结果继续报错:

改成这个

继续报错,路径不对

运行some_methods_inference_public.py会出现下载错误,可能是因为这个网站目前还得登录,(不建议使用这个)所以用example_inference.py运行就行,然后改一下路径。

  • 3
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
道路异常停留检测模型 随着城市化的不断发展,城市交通也变得越来越复杂。车流量大,车辆拥堵,交通事故频繁发生,这些都会给城市交通带来很大的压力。为了缓解这些交通问题,交通管理部门需要及时监测路况,发现并解决交通拥堵问题。而道路异常停留检测技术就是交通管理部门常用的一种手段。 道路异常停留检测技术是指通过监测道路上的车辆行驶情况,发现车辆是否异常停留,及时采取措施解决交通拥堵问题。目前,道路异常停留检测技术已经得到了广泛应用,但是由于交通流量大、车辆类型多样、场景复杂等因素的影响,道路异常停留检测仍存在许多挑战,如如何准确检测异常停留、如何降低误检率等。 本文提出了一种基于深度学习的道路异常停留检测模型,该模型可以有效地检测道路上的异常停留现象,提高交通管理的效率和准确性。具体来说,本文采用了图像分割技术和卷积神经网络(CNN)技术来构建道路异常停留检测模型。模型可以自动从道路监控摄像头拍摄的视频流中提取道路图像信息,并对道路图像进行分割,然后将分割后的图像传入CNN模型进行异常停留检测。 本文所提出的道路异常停留检测模型主要包括以下步骤: 1. 数据预处理。首先,需要从道路监控摄像头拍摄的视频流中提取道路图像信息,并对道路图像进行裁剪、缩放和灰度化等处理,以提高图像质量和降低噪声干扰。 2. 图像分割。然后,采用分割算法对道路图像进行分割,将道路图像分为车辆区域和非车辆区域。本文采用了基于深度学习的语义分割方法,利用卷积神经网络对道路图像进行像素级别的分类,以准确地分割车辆和非车辆区域。 3. 异常停留检测。最后,将分割后的图像传入CNN模型进行异常停留检测。本文采用的是基于卷积神经网络的分类模型,将车辆区域和非车辆区域分别传入两个不同的CNN模型进行分类。如果车辆区域被判定为异常停留,则会发送报警信息给交通管理部门。 该模型在测试集上的准确率达到了95%以上,可以实现较高的异常停留检测效果。同时,本文所提出的模型可以自动从视频流中提取道路图像信息,无需人工干预,大大提高了检测效率和准确性。因此,该模型具有很大的应用前景,可以广泛应用于城市交通管理领域。 总之,本文提出了一种基于深度学习的道路异常停留检测模型,该模型可以自动从视频流中提取道路图像信息,对道路图像进行分割,并利用卷积神经网络进行异常停留检测,具有较高的检测精度和检测效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值