Виявлення та класифікація об’єктів дорожнього руху при використанні середовища DIGITS
Вантажиться...
Файли
Дата
Назва журналу
Номер ISSN
Назва тому
Анотація
An overview of the architecture of the DetectNet neural network was conducted to study the model
of detection and classification of traffic objects. In this case, the structure of the neural network and the
format of the input data are considered. The modeling is done using the DIGITS environment. The quality
of the model was tested on the image validation dataset KITTI. The results of studying the model of the
neural network are presented. The results obtained compared with existing ones.
Опис
Ключові слова
УДК
Тип документа
Мова
Бібліографічний опис
Квєтний Р. Н. Виявлення та класифікація об’єктів дорожнього руху при використанні середовища DIGITS [Текст] / Р. Н. Квєтний, Р. В. Маслій, О. М. Кириленко // Оптоелектронні інформаційно-енеретичні технології. – 2020. – № 1. – С. 14-20.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (8)
- Nagaraj, S. Edge-based street object detection. / Muthiyan, B., Ravi, S., Menezes, V., Kapoor, K., & Jeon, H. // IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computed, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI). – 2017. – С.1-4.
- Roman Kvyetnyy, Roman Maslii, Volodymyr Harmash, Ilona Bogach, Andrzej Kotyra, Żaklin Grądz, Aizhan Zhanpeisova, Nursanat Askarova. Object detection in images with low light condition, Proc. SPIE 10445, Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2017, 104450W (7 August 2017); doi: 10.1117/12.2281001;
- DetectNet: Deep Neural Network for Object Detection in DIGITS. [Електронний ресурс] – Режим доступу: https://devblogs.nvidia.com/detectnet-deep-neural-network-object-detection-digits/
- Holupka, E. J. The Detection of Implanted Radioactive Seeds On Ultrasound Images Using Convolution Neural Networks. / Rossman, J., Morancy, T., Aronovitz, J., & Kaplan, М. D. // 1st Conference on Medical Imaging with Deep Learning (MIDL 2018). – 2018.
- NVIDIA DIGITS [Електронний ресурс] – Режим доступу до ресурсу: https://developer.nvidia.com/digits
- Zhang, S. Fcn-rlstm: Deep spatio-temporal neural networks for vehicle counting in city cameras. / Wu, G., Costeira, J. P., & Moura, J. M. // In Computer Vision (ICCV), IEEE International Conference. – 2017. рр. 3687-3696.
- Zheng Lou. Dataset bias analysis on autonomous driving [Електронний ресурс] – Режим доступу до ресурсу: https://cs230.stanford.edu/projects_spring_2018/reports/8289902.pdf
- Fritsch Jannik. A new performance measure and evaluation benchmark for road detection algorithms. / Tobias Kuehnl, Andreas Geiger. // 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013). – 2013.