首頁瀏覽人次: 822,545 次 (Since 2010/07/14) 會員登入
聯盟單位  |  虛擬講堂  |  網路直播  |  其他演講  |  排行榜  |  留言板  |  知識擂台  |  回首頁
首頁 > 虛擬講堂 > 縮小更快速區域卷積神經網路的前車偵測與辨識 快速搜尋演講 進階搜尋
  縮小更快速區域卷積神經網路的前車偵測與辨識 
★chrome瀏覽器無法播放Silverlight解決辦法
0:00 / 0:00

講者:工業技術研究院機械與機電系統研究所 黎尚昆
日期:2018/10/25
性質:演講
類別:應用科學
語言:中文
長度:00:05:34
觀看:114
推薦:0
摘要:
從2001年起,我們就一直積極從事先進駕駛
輔助系統 (ADAS) 之視覺偵測與辨識技術的實務研
究。在這些研究中,我們碰到一些偵測率一直無
法改善的問題;例如,不良天候的前車偵測、行
人偵測的穩定度與可靠度、倒車障礙物的偵測、
自動跟...
從2001年起,我們就一直積極從事先進駕駛
輔助系統 (ADAS) 之視覺偵測與辨識技術的實務研
究。在這些研究中,我們碰到一些偵測率一直無
法改善的問題;例如,不良天候的前車偵測、行
人偵測的穩定度與可靠度、倒車障礙物的偵測、
自動跟隨追蹤的穩定度、.. 等。因此才促成我們想
以卷積神經網路 (CNN) 來解決先進駕駛輔助系統
中的偵測與辨識問題。
本研究的目標有:i.以卷積神經網路擷取特徵,
提高前車偵測率,並減少誤判率。ii.將過去需要白
天、夜晚各別偵測的傳統系統合而為一,只要一
個卷積神經網路就可以完成所有天候下的車輛偵
測。iii.縮小卷積神經網路的規模,以利車輛上的
應用。iv.強化偵測及框選目標物的準確度,以提
高前車距離估計的準確度。在本研究中,我們改
進更快速區域卷積神經網路 (Faster R-CNN),以
SqueezeNet 架構取代龐大的 VGG16 網路,以達到
減少網路規模及增進速度的效果。再將更快速區
域卷積神經網路中原本的 ROI 池化層 (ROIPool) 以
ROI 校準層 (ROIAlign) 取代,以改善偵測框的準確
度。在實驗中,我們以 697 張 640×480 影像,
2,297 輛車訓練卷積神經網路,影像環境包括各種
天候 (白天、夜晚、晨曦、向陽、斜陽、黃昏、雨
天、薄霧、濃霧、陰天);平均執行速度為 30 fps,
約為 Faster R-CNN 之 14 fps 的 2.14 倍。車輛偵測
的 mAP 可達 0.907與 Faster R-CNN 一樣;參數量大
小為 7.7 M,約為 Faster R-CNN 之 136.73 M 的
5.63% 而已。使用 ROI 校準層,偵測框準確度可達
90.4%,比 ROI 池化層的 79.25%,提高了約10%。

現在位置:演講摘要詳細內容
推薦  (0)
推薦至Plurk
提供:TANET台灣網際網路研討會-TANET2018

轉寄  

推薦者:
電子郵件地址: (如欲轉寄多人,請以 ; 分隔email)
留言給收件者:

回報問題  

問題說明:




用Hyper-V實作IaaS...
講者:康育晟
觀看:146
物聯網產業現況與大數據的整合...
講者: 蘇海永
觀看:399
如何讓臺灣亮起來? ─ 從動...
講者:吳信志
觀看:1,345
【週日閱讀科學大師】通往宇宙...
講者:吳俊輝
觀看:85
【週日閱讀科學大師】上太空也...
講者:黃居正
觀看:81

現在位置:學習公約