Resumen

Al ritmo de los rápidos avances en visión por computadora, la clasificación de vehículos demuestra un considerable potencial para remodelar los sistemas de transporte inteligente. En las últimas décadas, se han utilizado sistemas de clasificación de vehículos basados en procesamiento de imágenes y reconocimiento de patrones para mejorar la efectividad de la recolección automatizada de peajes en autopistas y los sistemas de monitoreo de tráfico. Sin embargo, estos métodos se entrenan con características limitadas hechas a mano extraídas de conjuntos de datos pequeños, que no se adaptan a las condiciones reales del tráfico en tiempo real. Se han propuesto sistemas de clasificación de vehículos basados en aprendizaje profundo para incorporar los problemas mencionados anteriormente en los métodos tradicionales. Sin embargo, las redes neuronales convolucionales requieren montones de datos, incluyendo ruido, clima y factores de iluminación para garantizar la robustez en aplicaciones en tiempo real. Además, no hay un conjunto de datos generalizado disponible para validar la eficacia de los sistemas de clasificación de vehículos. Para superar estos

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Avances; Visión por computadora; Clasificación de vehículos; Aprendizaje profundo; Redes neuronales convolucionales; Conjunto de datos
• Keywords:Advancements; Computer vision; Vehicle classification; Deep learning; Convolutional neural networks; Dataset