Contribuição para a detecção de veículos através de aprendizagem profunda
Versandkostenfrei!
Versandfertig in 6-10 Tagen
26,99 €
inkl. MwSt.
PAYBACK Punkte
13 °P sammeln!
Está a ter lugar uma aprendizagem profunda, especialmente com o rápido crescimento e disponibilidade de grandes bases de dados e as recentes melhorias nas Unidades de Processamento Gráfico (GPUs). O principal objectivo desta investigação é aplicar algoritmos de aprendizagem profunda, tais como Redes Neurais Convolucionais (CNNs) e arquitecturas profundas, em particular o modelo VGG-16 deep para categorização e localização de veículos em cenários rodoviários. Nesta tese, mostraremos que através da parametrização optimizada e modificação algorítmica simples, podemos melhorar, ...
Está a ter lugar uma aprendizagem profunda, especialmente com o rápido crescimento e disponibilidade de grandes bases de dados e as recentes melhorias nas Unidades de Processamento Gráfico (GPUs). O principal objectivo desta investigação é aplicar algoritmos de aprendizagem profunda, tais como Redes Neurais Convolucionais (CNNs) e arquitecturas profundas, em particular o modelo VGG-16 deep para categorização e localização de veículos em cenários rodoviários. Nesta tese, mostraremos que através da parametrização optimizada e modificação algorítmica simples, podemos melhorar, mesmo relativamente, a robustez de uma determinada rede Faster R-CNN na detecção de veículos e obter melhores resultados com base em várias bases de dados (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square e Logiroad).
Andere Kunden interessierten sich für
