Contribution à la détection des véhicules par l'apprentissage profond
Versandkostenfrei!
Versandfertig in 6-10 Tagen
26,99 €
inkl. MwSt.
PAYBACK Punkte
13 °P sammeln!
L'apprentissage profond y prend place, en particulier avec la croissance rapide et la disponibilité de grandes bases de données et les récentes améliorations apportées aux unités de traitement graphique connues sous leur nom anglais GPU (Graphics Processing Units). L'objectif principal de cette recherche est d'appliquer les algorithmes d'apprentissage profond, tels que les réseaux de neurones à convolutions (CNNs-Convolutional Neural Networks) et les architectures profondes, en particulier le modèle profond VGG-16 pour la catégorisation et la localisation des véhicules dans des scè...
L'apprentissage profond y prend place, en particulier avec la croissance rapide et la disponibilité de grandes bases de données et les récentes améliorations apportées aux unités de traitement graphique connues sous leur nom anglais GPU (Graphics Processing Units). L'objectif principal de cette recherche est d'appliquer les algorithmes d'apprentissage profond, tels que les réseaux de neurones à convolutions (CNNs-Convolutional Neural Networks) et les architectures profondes, en particulier le modèle profond VGG-16 pour la catégorisation et la localisation des véhicules dans des scènes routières. Dans le présent mémoire, nous allons montrer que grâce à un paramétrage optimisé et une modification algorithmique simple, nous pouvons améliorer, même de façon relative, la robustesse d'un réseau particulier de type Faster R-CNN dans la détection des véhicules et obtenir des résultats meilleurs en s'appuyant sur diverses bases de données (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square et Logiroad).
Andere Kunden interessierten sich für
