Contribución a la detección de vehículos mediante deep learning
Versandkostenfrei!
Versandfertig in 1-2 Wochen
26,99 €
inkl. MwSt.
PAYBACK Punkte
13 °P sammeln!
El aprendizaje profundo está teniendo lugar, especialmente con el rápido crecimiento y disponibilidad de grandes bases de datos y las recientes mejoras en las unidades de procesamiento gráfico (GPU). El objetivo principal de esta investigación es aplicar algoritmos de aprendizaje profundo, como las redes neuronales convolucionales (CNN) y las arquitecturas profundas, en particular el modelo profundo VGG-16 para la categorización y localización de vehículos en escenas de carretera. En esta tesis, mostraremos que a través de una parametrización optimizada y una simple modificación algo...
El aprendizaje profundo está teniendo lugar, especialmente con el rápido crecimiento y disponibilidad de grandes bases de datos y las recientes mejoras en las unidades de procesamiento gráfico (GPU). El objetivo principal de esta investigación es aplicar algoritmos de aprendizaje profundo, como las redes neuronales convolucionales (CNN) y las arquitecturas profundas, en particular el modelo profundo VGG-16 para la categorización y localización de vehículos en escenas de carretera. En esta tesis, mostraremos que a través de una parametrización optimizada y una simple modificación algorítmica, podemos mejorar, incluso relativamente, la robustez de una determinada red R-CNN Faster en la detección de vehículos y obtener mejores resultados basados en varias bases de datos (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square y Logiroad).
Andere Kunden interessierten sich für
