Ten serwis zostanie wyłączony 2025-02-11.
Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl
Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 1

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  nadzór drogowy
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote Traffic surveillance: vehicle detection and pose estimation based on deep learning
100%
EN
Video-based traffic surveillance analysis is an important area of research with numerous applications in intelligent transportation systems. Due to camera positioning, background crowd, and vehicle orientation fluctuations, urban situations are more complex than highways. This paper provides a state-of-the-art technique for vehicle detection and orientation estimation based on the convolutional neural network CNN for detecting and determining the orientation of a vehicle from a given image to reduce traffic accidents. Different CNN model architectures have been examined to reach this approach's goal, which results in a small and fast model that is compatible with limited-resources hardware. A large-scale dataset of vehicles has been used to train the model. The dataset includes different types and views of cars; the taken images are high quality with diverse backgrounds and light conditions. To train the model, the dataset has been divided into five classes according to view: Front, Rear, Side, Front-side, and Rear-side, to fit the requirement of this work. The system achieves a high accuracy result.
PL
Analiza monitoringu ruchu oparta na wideo jest ważnym obszarem badań z licznymi zastosowaniami w inteligentnych systemach transportowych. Ze względu na ustawienie kamery, tłum w tle i wahania orientacji pojazdu sytuacje w mieście są bardziej złożone niż na autostradach. W artykule przedstawiono najnowocześniejszą technikę wykrywania pojazdów i szacowania orientacji w oparciu o konwolucyjną sieć neuronową CNN do wykrywania i określania orientacji pojazdu na podstawie danego obrazu w celu zmniejszenia liczby wypadków drogowych. Zbadano różne architektury modeli CNN, aby osiągnąć cel tego podejścia, co skutkuje małym i szybkim modelem, który jest kompatybilny ze sprzętem o ograniczonych zasobach. Do trenowania modelu wykorzystano wielkoskalowy zbiór danych pojazdów. Zbiór danych zawiera różne typy i widoki samochodów; wykonane zdjęcia są wysokiej jakości z różnym tłem i warunkami oświetleniowymi. Aby wytrenować model, zestaw danych został podzielony na pięć klas według widoku: przód, tył, bok, przód i tył, aby spełnić wymagania tej pracy. System osiąga wysoką dokładność wyniku.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.