Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

The analytical framework for optimizing TCP retransmission algorithm based on adjustment of its EWMA parameters

Grabowski Michał, Janowski Robert

International Journal of Electronics and Telecommunications

2024

Vol. 70, No. 1

253--260

In this paper we derive mathematical description of TCP (Transmission Control Protocol) retransmission probability based on Jacobson’s smoothing algorithm that belongs to EWMA (Exponentially Weighted Moving Average) category. This description is parametrized on the probability density function (pdf) of RTT (Round Trip Time) samples and α, β – two primary parameters of Jacobson’s algorithm. Although it is not a close form expression, it is formulated as an effective algorithm that let us to explicitly calculate the values of RTO (Retransmission Time Out) probability as a function of α, β and the pdf of RTT samples. We achieve the effectiveness of this approach by applying smart discretization of the state space and replacement of continuous functions with discrete approximate equivalents. In this way, we mitigate the cardinality of discrete distributions we deal with that results in linear (n+m) instead of multiplicative (n⋅m) growth of computational complexity. We provide the evaluation of RTO probability for a wide set of α, β parameter values and differently shaped Normal and Laplace pdfs the RTT samples are taken from. The obtained numerical results let us to draw some conclusions regarding the choice of optimal values of α, β parameters as well as the impact of pdf the RTT samples are taken from.

System automatycznej detekcji tablic rejestracyjnych i identyfikacji numerów pojazdów wykorzystujący sieci neuronowe

Błaszczyk Julia, Janowski Robert

Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki

2021

nr 25

7--31

W publikacji opisano kolejne etapy tworzenia aplikacji do automatycznego rozpoznawania tablic rejestracyjnych i identyfikacji numerów pojazdów z wykorzystaniem sieci neuronowych i podejścia Deep Learning, począwszy od przygotowania danych do trenowania, a skończywszy na testowaniu skuteczności działania. Do implementacji mechanizmu detekcji tablic rejestracyjnych został wykorzystany model sieci EfficientDet, a do optycznego rozpoznawania numerów identyfikacyjnych na wykrytych tablicach biblioteki Pytesseract oraz OpenCV. Weryfikacja skuteczności działania aplikacji dotyczyła oceny poprawności detekcji tablic rejestracyjnych oraz rozpoznania numerów identyfikacyjnych. Podstawowymi kryteriami oceny były powszechnie używane w takich zastosowaniach miary: dokładność, precyzja, czułość. Przeprowadzone testy pozwoliły ustalić optymalne wartości parametrów dla procesu detekcji tablic (wartości hiperparametrów, czyli rozmiar sieci, liczba kroków, liczba epok, wagi, współczynnik uczenia, rozmiar paczki danych podczas trenowania oraz wartość progu podczas weryfikacji działania), a także dla procesu rozpoznawania numerów (zachowanie lub usuwanie pikseli stykających się z granicą wyciętego obrazu, wartości parametrów filtra bilateralnego, operacji progowania).

The paper describes the stages of creating an application for automatic license plate recognition and vehicle number identification using neural networks and the Deep Learning approach, starting from data preparation for training and ending with performance testing. The EfficientDet network model was used to implement the license plate detection mechanism and the Pytesseract and OpenCV libraries for the optical recognition of identification numbers on the detected plates. The verification of the effectiveness of the application concerned the assessment of the correctness of the detection of license plates in vehicles and the recognition of identification numbers. The basic evaluation criteria were the measures commonly used in such applications: accuracy, precision and sensitivity. The conducted tests allowed to determine the optimal parameter values for the license plate detection process (hyperparameter values, i.e. network size, number of steps, number of epochs, weights, learning coefficient, size of the data batch during training and the threshold value during operation verification) as well as for the number recognition process (keeping or removing pixels touching the border of the cut image, values of bilateral filter parameters, thresholding operations).