PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2016 | R. 17, nr 12 | 513--516
Tytuł artykułu

Improving accuracy of detecting dangerous objects with deep learning

Autorzy
Treść / Zawartość
Warianty tytułu
PL
Poprawa skuteczności wykrycia niebezpiecznych obiektów przy użyciu technik deep learning
Języki publikacji
EN
Abstrakty
EN
In this article, the problem of detecting dangerous objects with deep learning is presented. Convolutional Neural Networks are created with Python language ecosystem (Theano and Keras libraries), and then trained with different number of layers and different parameters. Accuracy of detection dangerous objects for artificial Neural Network with smaller number of layers is computed and obtained result is improved with deep learning. CIFAR-10 dataset is used due to useful classes included.
PL
W artykule przedstawiono problem detekcji niebezpiecznych obiektów przy użyciu technik deep learning. Konwolucyjne sieci neuronowe tworzone są przy pomocy bibliotek języka Python takich jak Keras i Theano, a następnie trenowane są przy różnej liczbie warstw i z różnymi parametrami. Skuteczność detekcji niebezpiecznych obiektów dla małej liczby warstw sztucznej sieci neuronowej jest obliczana, a uzyskany wynik jest ulepszany przy użyciu technik deep learning. Zbiór danych CIFAR-10 został wykorzystany w badaniach z powodu dużej użyteczności występujących w nim klas.
Wydawca

Rocznik
Strony
513--516
Opis fizyczny
Bibliogr. 8 poz., rys., wykr., pełen tekst na CD
Twórcy
  • Polish Naval Academy in Gdynia, Poland, The Faculty of Navigation and Naval Weapons, Institute of Naval Weapons and Informatics, a.zacniewski@amw.gdynia.pl
Bibliografia
  • 1. Brownlee J., Deep Learning with Python, Gumroad, Melbourne.
  • 2. CIFAR-10 website - https://www.cs.toronto.edu/~kriz/cifar.html.
  • 3. Convolutional Neural Networks for Visual Recognition - http://cs231n.stanford.edu/.
  • 4. Graham B., Fractional Max-Pooling, https://arxiv.org/abs/1412.6071.
  • 5. Greenhalgh J., Mirmehdi M., Real-Time Detection and Recognition of Road Traffic Signs, IEEE Transactions On Intelligent Transportation Systems, 2016.
  • 6. Cambridge Coding Academy - https://cambridgecoding.com/.
  • 7. Krizhevsky A., Learning Multiple Layers of Features from Tiny Images, Canadian Institute for Advanced Research, 2008.
  • 8. Wali S. et al., Comparative Survey on Traffic Sign Detection and Recognition: a Review, Przegląd Elektrotechniczny, ISSN 0033-2097, r. 91 nr 12/2015.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-371ee8ee-31b5-4611-91cf-dc6e618ebadd
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.