Таблица | Карточка | RUSMARC | |
Разрешенные действия: –
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Группа: Анонимные пользователи Сеть: Интернет |
Аннотация
В настоящей работе рассмотрены классические и нейросетевые подходы обработки изображений в задаче обнаружения и классификации объектов в видеопоследовательности с борта беспилотного летательного аппарата. На основе анализа рассмотренных подходов выбрана архитектура, наиболее подходящая для распознавания мелкомасштабных объектов заданного типа в режиме реального времени – YOLO2. Собран и размечен репрезентативный набор данных, который был использован для обучения выбранного детектора. Получена модель YOLO2 позволяющая различать автомобили, самолёты, вертолёты, корабли и здания с удовлетворительной точностью классификации и локализации.
Права на использование объекта хранения
Место доступа | Группа пользователей | Действие | ||||
---|---|---|---|---|---|---|
Локальная сеть ИБК СПбПУ | Все | |||||
Интернет | Авторизованные пользователи СПбПУ | |||||
Интернет | Анонимные пользователи |
Оглавление
- СОДЕРЖАНИЕ
- ВВЕДЕНИЕ
- ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ АЛГОРИТМОВ ОБНАРУЖЕНИЯ И РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЯХ
- 1.1 Детектор Виолы-Джонса
- 1.2 Детектор Далала-Триггса
- 1.3 DPM
- 1.4 Семейство R-CNN
- 1.4.1 Fast R-CNN
- 1.4.2 Faster R-CNN
- 1.4.3 Mask R-CNN
- 1.4.4 PVANet
- 1.5 YOLO
- 1.6 Single Shot MultiBox Detector (SSD)
- 1.7 YOLO2
- 1.8 Метрики в задачах компьютерного зрения
- ГЛАВА 2. ВЫБОР АЛГОРИТМА
- ГЛАВА 3. ЭКПЕРЕМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
- 3.1. ОБУЧЕНИЕ
- 3.2 ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ
- ЗАКЛЮЧЕНИЕ
- Список литературы
Статистика использования
Количество обращений: 261
За последние 30 дней: 0 Подробная статистика |