Beitrag zur Fahrzeugerkennung durch Deep Learning
Versandkostenfrei!
Versandfertig in 6-10 Tagen
39,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Deep Learning findet statt, insbesondere mit dem schnellen Wachstum und der Verfügbarkeit großer Datenbanken und den jüngsten Verbesserungen bei den Grafikprozessoren (GPUs). Das Hauptziel dieser Forschung ist die Anwendung von Deep-Learning-Algorithmen wie Convolutional Neural Networks (CNNs) und Deep-Architekturen, insbesondere das VGG-16 Deep-Modell zur Kategorisierung und Lokalisierung von Fahrzeugen in Straßenszenen. In dieser Arbeit werden wir zeigen, dass wir durch optimierte Parametrisierung und einfache algorithmische Modifikation die Robustheit eines bestimmten Faster R-CNN Netzw...
Deep Learning findet statt, insbesondere mit dem schnellen Wachstum und der Verfügbarkeit großer Datenbanken und den jüngsten Verbesserungen bei den Grafikprozessoren (GPUs). Das Hauptziel dieser Forschung ist die Anwendung von Deep-Learning-Algorithmen wie Convolutional Neural Networks (CNNs) und Deep-Architekturen, insbesondere das VGG-16 Deep-Modell zur Kategorisierung und Lokalisierung von Fahrzeugen in Straßenszenen. In dieser Arbeit werden wir zeigen, dass wir durch optimierte Parametrisierung und einfache algorithmische Modifikation die Robustheit eines bestimmten Faster R-CNN Netzwerks bei der Fahrzeugdetektion sogar relativ verbessern und bessere Ergebnisse auf Basis verschiedener Datenbanken (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square und Logiroad) erzielen können.
Andere Kunden interessierten sich für
