俄羅斯人民友誼大學數(shù)學家命名自動駕駛儀檢測行人時的主要問題
RUDN 大學的一位數(shù)學家與來自埃及、沙特阿拉伯和中國的同事一起收集了深度學習領域的最新研究成果，用于檢測帶有自動駕駛儀的車輛中的行人。作者確定了弱點并概述了進一步研究的目標。結果發(fā)表在電子雜志上
汽車和其他自動駕駛車輛已經(jīng)開始進入日常生活。然而，要使這項技術得到廣泛采用，需要改進幾個基本特性。其中之一是行人檢測。為此，使用了深度學習技術——人工神經(jīng)網(wǎng)絡。 RUDN 數(shù)學家與來自埃及、沙特阿拉伯和中國的同事收集了該方向的最新研究成果，概述了主要問題并概述了未來工作的目標。
“近年來，自動駕駛汽車越來越受歡迎。它們提高了安全性和便利性，降低了油耗，減少了交通擁堵和事故，節(jié)省了成本并提高了可靠性。然而，在它們完全部署在道路上之前，需要解決幾個主要任務。行人的精確檢測是一項非常艱巨的任務。深度學習技術顯示出解決這個問題的巨大潛力。我們匯總了行人檢測問題的概述以及使用深度學習方法解決這些問題的最新進展?！?– Ammar Muthanna ，技術科學候選人，俄羅斯人民友誼大學高科技系統(tǒng)和信息通信建模研究中心初級研究員。
數(shù)學家提請注意三個狗屎 使用深度學習檢測行人時出現(xiàn)的問題是障礙物、圖像質量差、多光譜圖像。后者是同一物體的一系列圖像，但在不同的范圍內獲得。例如，傳統(tǒng)的光學圖像和在紅外范圍內獲得的圖像。假設數(shù)據(jù)是從激光雷達和相機中獲得的，深度學習模型就是從那里獲得的。數(shù)學家考慮了用于構建此類模型的不同方法，并命名了它們的優(yōu)缺點。
數(shù)學家注意到，不同的構造方法不僅給出不同的結果，而且工作的時間和精度也不同。例如，后來的方法給出了更準確的答案，但需要更多的時間。因此，數(shù)學家得出結論，重要的是實施可以在準確性和速度之間取得平衡的方法。并且將滿足實際目標。數(shù)學家們還提請注意一個事實，即可用于訓練的數(shù)據(jù)不夠異構，可能無法提供完整的畫面。例如，光學范圍內的圖像在白天效果更好，而在紅外線 - 在黑暗中效果更好。為了使算法全天候有效，需要大量的異構訓練數(shù)據(jù)。
在該領域未來研究的目標中，數(shù)學家將檢測小物體和受阻物體、在光線不足的情況下工作、 3D和2D方法的組合命名。數(shù)學家還建議專注于提高速度和準確性。
自動駕駛汽車中基于深度學習的行人檢測：重大問題和挑戰(zhàn)
您填的信息已提交,老師會在24小時之內與您聯(lián)系
如果還有其他疑問請撥打以下電話
熱門簡章
更多
俄聯(lián)邦總統(tǒng)國家行政學院
俄羅斯圣彼得堡國立工業(yè)技術與設計大學
俄羅斯交通大學
俄羅斯西南國立大學
莫斯科國立大學
微信小程序
微信公眾號
在職研APP
