Para obtener las distancias entre los objetos circundantes y el vehículo en la escena de tráfico delante del vehículo, en este estudio se propone un método de estimación visual monocular de la profundidad basado en la red neuronal convolucional separable por profundidad. En primer lugar, las características que contienen información de profundidad superficial se extrajeron de las imágenes RGB utilizando las capas de convolución y las capas de agrupación máxima. También se realizaron operaciones de submuestreo en estas imágenes. Posteriormente, se extrajeron características que contenían información de profundidad avanzada utilizando un bloque basado en un conjunto de capas de convolución y un bloque basado en capas de convolución separables en profundidad. A continuación, se combinaron los resultados de los distintos bloques. Por último, se utilizaron capas de convolución transpuestas para aumentar el tamaño de los mapas de características al mismo tamaño que la imagen RGB original. Durante el proceso de sobremuestreo, se utilizaron conexiones de salto para combinar las características que contenían información de profundidad superficial obtenida de la operación de convolución a través de las capas de convolución separables por profundidad. Las capas de convolución separables por profundidad pueden proporcionar características de información de profundidad más precisas para estimar la profundidad visual monocular. Al mismo tiempo, requieren un coste computacional reducido y un menor número de parámetros, al tiempo que proporcionan un nivel similar (o ligeramente mejor) de rendimiento computacional. La integración de múltiples convoluciones simples en un bloque no sólo aumenta la profundidad global de la red neuronal, sino que también permite una extracción más precisa de las características avanzadas de la red neuronal. La combinación de la salida de varios bloques puede evitar la pérdida de características que contienen información importante sobre la profundidad. Los resultados de las pruebas muestran que la red neuronal convolucional separable por profundidad ofrece un rendimiento superior al de otros métodos de estimación visual monocular de la profundidad. Por lo tanto, la aplicación de capas de convolución separables en profundidad en la red neuronal es un método más eficaz y preciso para estimar la profundidad visual.
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.
Artículo:
Investigación sobre la optimización de la red blockchain y la comunicación de datos en la estructura ecológica de la industria deportiva.
Artículo:
Marco de red de comunicación habilitada para SDN para Internet de la Energía
Artículo:
Un Enfoque de Reenvío de Datos para Escenarios de Rescate de Incendios con Nodos Móviles de Múltiples Tipos
Artículo:
Análisis de Big Data para la evaluación de riesgos crediticios complejos en préstamos basados en redes utilizando el algoritmo SMOTE.
Artículo:
WearableDL: Wearable Internet-of-Things and Deep Learning for Big Data Analytics - Concepto, literatura y futuro
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.