基于物联网的城市交通图像语义分割方法

《IEEE Internet of Things Magazine》：Semantic Segmentation Method of Urban Traffic Images Based on Internet of Things

　　城市交通图像语义分割研究提出基于物联网的ISS方法，通过全卷积神经网络（Full-CNN）提取图像特征，并扩展DenseNet架构为FCNDN模型以减少参数量，实现交通标志和车辆的高精度实时识别（93.7%像素精度，30+FPS），为交通规划与智能管理提供支持。

　　

摘要：

为了解决交通道路复杂场景识别中不同类别权重不平衡的问题，本文提出了一种基于物联网（IoT）的城市交通图像语义分割（ISS）方法。该方法采用全卷积神经网络（Full-CNN）进行城市交通图像特征提取，并将DenseNet架构扩展为FCNDN（Full-CNN-DenseNet），利用DenseNet的特性减少参数数量，以实现城市交通信息的自动处理和智能分析。在城市景观数据集的语义分析方面，该方法在交通标志和车辆识别方面具有更高的分割精度和处理速度。具体而言，FCNDN的准确率比eNet和ContextNet等大多数网络高出10%，并且可以实现超过30 FPS的实时处理速度。在PA指数性能比较中，FCNDN模型的像素准确率达到93.7%，而mRecall模型的像素准确率为89.5%，两者在所有模型中均表现出明显优势。最终，该方法能够实现实时城市交通状况监测、快速事故处理以及增强环境感知等功能，对于城市管理部门在交通规划与优化、资源合理分配以及支持绿色交通发展方面具有重要意义。