عنوان انگلیسی: Fast road scene segmentation using deep learning and scene-based models
سال نشر: ۲۰۱۶
نویسنده: Vijay John,Kiyosumi Kidono,Chunzhao Guo,Hossein Tehrani,Seiichi Mita,Kasuhiza Ishimaru
تعداد صفحه فارسی: ۱۴ – تعداد صفحه انگلیسی: ۶
دانشگاه: Toyota Technological Institute, Japan-Toyota Central R & D Labs, Japan-Denso Corporation, Japan
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی
چکیده
رویکردهای برچسب گذاری شده با استفاده از بخش‌بندی معنایی نقش مهمی در درک صحنه جاده ایفا می‌کنند. در سال‌های اخیر، رویکردهای یادگیری عمیق مانند شبکه عصبی تکامل‌یافته برای تقسیم‌بندی معنایی، به دست آوردن نتایج هنری مورد استفاده قرار گرفته‌اند. با این حال، نتایج بخش‌بندی منجر به تفکیک شی محدود می‌شود. در این مقاله، ما شبکه عصبی تجزیه تکاملی را به منظور انجام تقسیم‌بندی معنایی صحنه جاده‌ای با استفاده از اطلاعات رنگ و عمق، انتخاب می‌کنیم. علاوه بر این، ما با استفاده از ویژگی‌های جدیدی که در سطح پیکسل و سطح لکه برای صحنه‌های مختلف جاده‌ای یاد گرفته می‌شوند، توصیف شی محدود شبکه را در درون یک چارچوب کارآمد از نظر محاسباتی بهبود می‌دهیم. ویژگی‌های سطح قطعه نشان‌دهنده هندسه صحنه جاده هستند. از طرف دیگر، ویژگی‌های سطح پیکسل تصویر نشان‌دهنده ظاهر و اطلاعات عمق هستند. ویژگی‌های یاد شده برای صحنه‌های مختلف جاده‌ای با برچسب پیش تعیین‌شده این صحنه، نمایه شده‌اند. پس از نمایه‌سازی، طبقه‌بندی کننده جنگل تصادفی برای بازیابی ویژگی‌های هندسی و ظاهری مربوطه برای یک صحنه جاده‌ای داده‌شده آموزش داده می‌شود. سپ
Abstract
true
محصولات مشابه
امتیاز شما:
(No Ratings Yet)
(No Ratings Yet)