公众号ID|计算机视觉研究院
学习群|扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12770379/pdf/41598_2025_Article_25628.pdf
Column of Computer Vision Institute
本文
提出ELITVA(集成深度学习交通视频分析框架),采用 “边缘检测 + 云端决策” 双层架构,完美平衡速度与精度。
城市交通实时管控,低延迟 + 高准确率缺一不可。但现有方案总在 “两头为难”:
- 云端分析:精度够,但传输慢、延迟高,赶不上实时调度
- 纯边缘设备:速度快,但算力有限,检测不准、容易漏判
- 传统算法:扛不住遮挡、光照变化、夜间雨天等复杂场景
如何在边缘端做到轻量、高速、高精度?这篇论文给出了标准答案。
1. 边缘层:Tiny YOLO + YOLOR 混合检测
-
用 Tiny YOLOv4-Tiny:轻量极速,适配边缘嵌入式设备(如 Jetson Xavier NX)
- 融合 Deep YOLOR:同时利用显式 + 隐式知识,大幅提升分类与检测精度
- 后处理改用 Soft-NMS:解决车辆重叠、遮挡误判问题【插入图 3:YOLOv4-Tiny 架构图】【插入图 4:Deep YOLOR 架构图】
2. 云端层:F-RNN 快速决策
边缘输出车辆类型、数量等流量数据,上传云端用 F-RNN(快速循环神经网络) 实时输出:
3. 数据与预处理
- 数据集:Roboflow 无人机交通视频数据集(700 张,9 类车辆)
- 预处理:中值滤波去噪 + CLAHE 增强对比度,适配夜间 / 强光 / 阴天
效果炸裂:精度飙升,速度碾压同行
在同等硬件下,ELITVA 全面超越 YOLOv4、YOLOv4-Tiny、YOLO-CFNN:
- 帧率:167 FPS(远超主流方案)【插入表 3:模型对比总表】
精度 / 准确率 / 召回率 / F1 / 帧率对比图
总结与展望
ELITVA 用边缘混合检测 + 云端集成学习,破解交通视频分析 “快与准不可兼得” 的难题,在智能交通、边缘计算、智慧城市场景极具落地价值。
未来方向:
有相关需求的你可以联系我们!
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入!
计算机视觉研究院主要涉及深度学习领域,主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架,提供论文一键下载,并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程,让大家真正体会摆脱理论的真实场景,培养爱动手编程爱动脑思考的习惯!