Biblioteca122.294 documentos en línea

Artículo

Vehicle Detection Based on Deep Dual-Vehicle Deformable Part ModelsDetección de vehículos basada en modelos profundos de piezas deformables de dos vehículos

Resumen

La detección de vehículos desempeña un papel importante en la tecnología de asistencia a la conducción segura. Debido a su gran precisión y eficacia, el modelo de pieza deformable se utiliza ampliamente en el campo de la detección de vehículos. En la actualidad, el problema relacionado con la reducción de la tasa de falsos positivos de vehículos parcialmente oscurecidos constituye un gran reto en la tecnología de detección de vehículos basada en visión artificial. Con el fin de abordar las cuestiones antes mencionadas, este trabajo propone un algoritmo de detección profunda de vehículos basado en el modelo de pieza deformable de doble vehículo. El marco de aprendizaje profundo se puede utilizar para la detección de vehículos para resolver el problema relacionado con el diseño incompleto y otras cuestiones. En este trabajo, se utiliza el modelo profundo para la detección de vehículos que consiste en la extracción de características, el procesamiento de la deformación, el procesamiento de la oclusión y el entrenamiento del clasificador utilizando el algoritmo de propagación hacia atrás (BP) para mejorar la interacción sinérgica potencial entre varias partes y obtener características más completas del vehículo. Los resultados experimentales han demostrado que el algoritmo propuesto es superior a los algoritmos de detección existentes en la detección de vehículos parcialmente blindados, y garantiza una alta eficacia de detección al tiempo que satisface los requisitos en tiempo real de la tecnología de asistencia a la conducción segura.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento