DEEP LEARNING-BASED VEHICLE MAKE AND MODEL RECOGNITION: DATASET CHALLENGES AND INFLUENCING FACTORS IN URBAN TRAFFIC
DOI:
https://doi.org/10.54309/IJICT.2026.25.1.017Ключевые слова:
глубокое обучение, распознавание транспортных средств, VMMR, ResNet50, аугментация набора данных, интеллектуальные транспортные системы, городской транспортный поток, классификация моделей, умные городаАннотация
В статье представлен подход к распознаванию марки и модели транспортных средств (Vehicle Make and Model Recognition, VMMR) на основе глубокого обучения. С использованием моделей ResNet50, AlexNet, VGG19, MobileNet, EfficientNet, ViT-B/16, ConvNeXt, SimCLR и CLIP рассматриваются проблемы аннотирования наборов данных, дисбаланса классов и качества изображений, получаемых камерами в реальных условиях. Был сформирован и протестирован набор данных, содержащий 283 899 изображений транспортных средств; точность на валидационной выборке составила от 0,07 до 0,32. Проанализировано влияние размера транспортного средства, ускорения и радиуса поворота на эффективность распознавания, а также предложены направления оптимизации транспортных систем умного города.
Скачивания
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 МЕЖДУНАРОДНЫЙ ЖУРНАЛ ИНФОРМАЦИОННЫХ И КОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
https://creativecommons.org/licenses/by-nc-nd/3.0/deed.en