Contribution à la détection des véhicules par l'apprentissage profond
L'apprentissage profond y prend place, en particulier avec la croissance rapide et la disponibilité de grandes bases de données et les récentes améliorations apportées aux unités de traitement graphique connues sous leur nom anglais GPU (Graphics Processing Units).
L‘objectif principal de cette recherche est d‘appliquer les algorithmes d‘apprentissage profond, tels que les réseaux de neurones à convolutions (CNNs-Convolutional Neural Networks) et les architectures profondes, en particulier le modèle profond VGG-16 pour la catégorisation et la localisation des véhicules dans des scènes routières.
Dans le présent mémoire, nous allons montrer que grâce à un paramétrage optimisé et une modification algorithmique simple, nous pouvons améliorer, même de façon relative, la robustesse d‘un réseau particulier de type Faster R-CNN dans la détection des véhicules et obtenir des résultats meilleurs en s'appuyant sur diverses bases de données (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square et Logiroad).
Khaled Bayoudh est un doctorant à l'École Nationale d'Ingénieurs.Il s'intéresse à divers aspects tels que les véhicules autonomes, la vision par ordinateur et l'apprentissage profond.
Avant de commencer ses études doctorales, Khaled a obtenu son master de recherche sur les systèmes de transport intelligents à l'École Nationale d'Ingénieurs,Tunisie.
Fiche technique
- Auteur
- Khaled Bayoudh
- Langue
- Français
- Éditeur
- Éditions universitaires européennes
30 autres produits dans la même catégorie :
Voir toutMIMO-OFDM et les imperfections induites par le matériel RF dans la 4G
- Nouveau
Introduction à l'informatique
- Nouveau
MISE EN PLACE D'UN SYSTÈME DE COMMUNICATION VOIP DANS UNE ENTREPRISE
- Nouveau
Aide mémoire pour bien défendre son Travail de Fin de Cycle en MERISE
- Nouveau
Comment gagner 1000 dollars par jour sur internet ?
- Nouveau