Andere Kunden interessierten sich auch für
![Detección de bordes de objetos mediante la magnitud del gradiente]( "Detección de bordes de objetos mediante la magnitud del gradiente")
Detección de bordes de objetos mediante la magnitud del gradiente27,99 €![Mejora de la seguridad en el sistema de reconocimiento del iris mediante la detección del brillo]( "Mejora de la seguridad en el sistema de reconocimiento del iris mediante la detección del brillo")
Mejora de la seguridad en el sistema de reconocimiento del iris mediante la detección del brillo36,99 €![DETECCIÓN DE INTRUSOS MEDIANTE SELECCIÓN DE CARACTERÍSTICAS E HIBRIDACIÓN]( "DETECCIÓN DE INTRUSOS MEDIANTE SELECCIÓN DE CARACTERÍSTICAS E HIBRIDACIÓN")
DETECCIÓN DE INTRUSOS MEDIANTE SELECCIÓN DE CARACTERÍSTICAS E HIBRIDACIÓN27,99 €![Detección de noticias falsas mediante diversas técnicas informáticas]( "Detección de noticias falsas mediante diversas técnicas informáticas")
Detección de noticias falsas mediante diversas técnicas informáticas29,99 €![Detección del cáncer de pulmón mediante un método de clasificación híbrido]( "Detección del cáncer de pulmón mediante un método de clasificación híbrido")
Detección del cáncer de pulmón mediante un método de clasificación híbrido26,99 €![Un sistema de detección de intrusos mediante un algoritmo de aprendizaje automático]( "Un sistema de detección de intrusos mediante un algoritmo de aprendizaje automático")
Un sistema de detección de intrusos mediante un algoritmo de aprendizaje automático27,99 €![Métodos utilizados en la prevención y detección del ataque de falsificación del ARP]( "Métodos utilizados en la prevención y detección del ataque de falsificación del ARP")
Métodos utilizados en la prevención y detección del ataque de falsificación del ARP18,99 €
El aprendizaje profundo está teniendo lugar, especialmente con el rápido crecimiento y disponibilidad de grandes bases de datos y las recientes mejoras en las unidades de procesamiento gráfico (GPU). El objetivo principal de esta investigación es aplicar algoritmos de aprendizaje profundo, como las redes neuronales convolucionales (CNN) y las arquitecturas profundas, en particular el modelo profundo VGG-16 para la categorización y localización de vehículos en escenas de carretera. En esta tesis, mostraremos que a través de una parametrización optimizada y una simple modificación algorítmica, podemos mejorar, incluso relativamente, la robustez de una determinada red R-CNN Faster en la detección de vehículos y obtener mejores resultados basados en varias bases de datos (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square y Logiroad).