Resumen

Hoy en día, la detección automática multiobjetivo sigue siendo un problema desafiante para las tecnologías de vehículos autónomos. En las últimas décadas, el aprendizaje profundo ha demostrado ser exitoso para la detección multiobjetivo, como el modelo Detector Multicaja de Disparo Único (SSD). La tendencia actual es entrenar las redes neuronales convolucionales profundas (CNNs) con conjuntos de datos en línea de vehículos autónomos. Sin embargo, el rendimiento de la red suele degradarse cuando se detectan objetos pequeños. Además, los conjuntos de datos de vehículos autónomos existentes no pueden satisfacer las necesidades del entorno de tráfico doméstico. Para mejorar el rendimiento de detección de objetos pequeños y garantizar la validez del conjunto de datos, proponemos un nuevo método. Específicamente, las imágenes originales se dividen en bloques como entrada a una red VGG-16 que agrega la fusión de mapas de características después de las CNNs. Además, se construye una pirámide de imágenes

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Automático; Detección multiobjetivo; Aprendizaje profundo; Redes Neuronales Convolucionales; Objetos pequeños; Vehículo autónomo.
• Keywords:Automatic; Multi-objective detection; Deep learning; Convolutional Neural Networks; Small objects; Autonomous vehicle.