Beschreibung
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). Lobjectif principal de cette recherche est dappliquer les algorithmes dapprentissage 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 dun 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).
Autorenporträt
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.
Herstellerkennzeichnung:
OmniScriptum SRL
Str. Armeneasca 28/1, office 1
2012 Chisinau
MD
E-Mail: info@omniscriptum.com
