{rfName}
Ab

Indexat a

Llicència i ús

Citacions

59

Altmetrics

Grant support

This research has been possible with the support of the Secretariad' Universitatsi Recercadel Departamentd' Empresai Coneixement de la Generalitat de Catalunya (2020 FISDU 00405). We are thankfully acknowledging the use of the University of Rovira I Virgili (URV) facilities to carry out this work.

Anàlisi d'autories institucional

Cristiano Rodríguez, Julián EfrénAutor o coautorMasoumian, ArminAutor (correspondència)Abdulwahab, SaddamAutor o coautorCristiano, JuliánAutor o coautorPuig, DomenecAutor o coautorRashwan, Hatem AAutor o coautor
Compartir
Publicacions
>
Conferència publicada

Absolute Distance Prediction Based on Deep Learning Object Detection and Monocular Depth Estimation Models

Publicat a:Frontiers In Artificial Intelligence And Applications. 339 325-334 - 2021-01-01 339(), DOI: 10.3233/FAIA210151

Autors: Masoumian, Armin; Marei, David G F; Abdulwahab, Saddam; Cristiano, Julian; Puig, Domenec; Rashwan, Hatem A

Afiliacions

Rovira & Virgili Univ, DEIM, Tarragona 43007, Spain - Autor o coautor

Resum

Determining the distance between the objects in a scene and the camera sensor from 2D images is feasible by estimating depth images using stereo cameras or 3D cameras. The outcome of depth estimation is relative distances that can be used to calculate absolute distances to be applicable in reality. However, distance estimation is very challenging using 2D monocular cameras. This paper presents a deep learning framework that consists of two deep networks for depth estimation and object detection using a single image. Firstly, objects in the scene are detected and localized using the You Only Look Once (YOLOv5) network. In parallel, the estimated depth image is computed using a deep autoencoder network to detect the relative distances. The proposed object detection based YOLO was trained using a supervised learning technique, in turn, the network of depth estimation was self-supervised training. The presented distance estimation framework was evaluated on real images of outdoor scenes. The achieved results show that the proposed framework is promising and it yields an accuracy of 96% with RMSE of 0.203 of the correct absolute distance.

Paraules clau
Deep learningDepth estimationDistance predictioDistance predictionObject detection

Indicis de qualitat

Impacte bibliomètric. Anàlisi de la contribució i canal de difusió

El treball ha estat publicat a la revista Frontiers In Artificial Intelligence And Applications, Q4 Agència Scopus (SJR), el seu enfocament regional i la seva especialització en Artificial Intelligence, li atorguen un reconeixement prou significatiu en un nínxol concret del coneixement científic a nivell internacional.

Des d'una perspectiva relativa, i atenent a l'indicador de impacte normalitzat calculat a partir de les Citacions Mundials de Scopus Elsevier, proporciona un valor per a la mitjana Ponderada de l'Impacte Normalitzat de l'agència Scopus: 1.4, el que indica que, comparat amb treballs en la mateixa disciplina i en el mateix any de publicació, el situa com un treball citat per sobre de la mitjana. (font consultada: ESI 14 Nov 2024)

Aquesta informació es reforça amb altres indicadors del mateix tipus, que encara que dinàmics en el temps i dependents del conjunt de citacions mitjanes mundials en el moment del seu càlcul, coincideixen a posicionar en algun moment el treball, entre el 50% més citats dins de la seva temàtica:

  • Field Citation Ratio (FCR) de la font Dimensions: 8.17 (font consultada: Dimensions May 2025)

Concretament, i atenent a les diferents agències d'indexació, aquest treball ha acumulat, fins a la data 2025-05-20, el següent nombre de cites:

  • WoS: 4
  • Scopus: 20
  • Google Scholar: 35
  • OpenCitations: 18
Impacte i visibilitat social

Des de la dimensió d'influència o adopció social, i prenent com a base les mètriques associades a les mencions i interaccions proporcionades per agències especialitzades en el càlcul de les denominades "Mètriques Alternatives o Socials", podem destacar a data 2025-05-20:

  • L'ús, des de l'àmbit acadèmic evidenciat per l'indicador de l'agència Altmetric referit com a agregacions realitzades pel gestor bibliogràfic personal Mendeley, ens dona un total de: 65.
  • L'ús d'aquesta aportació en marcadors, bifurcacions de codi, afegits a llistes de favorits per a una lectura recurrent, així com visualitzacions generals, indica que algú està fent servir la publicació com a base del seu treball actual. Això pot ser un indicador destacat de futures cites més formals i acadèmiques. Aquesta afirmació està avalada pel resultat de l'indicador "Capture", que aporta un total de: 65 (PlumX).

Amb una intenció més de divulgació i orientada a audiències més generals, podem observar altres puntuacions més globals com:

  • El Puntuació total de Altmetric: 2.25.
  • El nombre de mencions a la xarxa social X (abans Twitter): 5 (Altmetric).

És fonamental presentar evidències que recolzin l'alineació plena amb els principis i directrius institucionals sobre Ciència Oberta i la Conservació i Difusió del Patrimoni Intel·lectual. Un clar exemple d'això és:

Anàlisi del lideratge dels autors institucionals

Hi ha un lideratge significatiu, ja que alguns dels autors pertanyents a la institució apareixen com a primer o últim signant, es pot apreciar en el detall: Primer Autor (Masoumian, Armin) i Últim Autor (Abdellatif Fatahallah Ibrahim Mahmoud, Hatem).

l'autor responsable d'establir les tasques de correspondència ha estat Masoumian, Armin.