Andere Kunden interessierten sich auch für
![Segmentazione semantica con l'apprendimento profondo]( "Segmentazione semantica con l'apprendimento profondo")
Segmentazione semantica con l'apprendimento profondo29,99 €![FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale]( "FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale")
FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale39,99 €![Internet delle cose con l'apprendimento profondo per le applicazioni sociali]( "Internet delle cose con l'apprendimento profondo per le applicazioni sociali")
Internet delle cose con l'apprendimento profondo per le applicazioni sociali30,99 €![DeepCOPD: rilevamento della BPCO tramite deep learning]( "DeepCOPD: rilevamento della BPCO tramite deep learning")
DeepCOPD: rilevamento della BPCO tramite deep learning29,99 €![Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini]( "Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini")
Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini29,99 €![Riconoscimento e rilevamento del volto specifico di una persona basato su CNN]( "Riconoscimento e rilevamento del volto specifico di una persona basato su CNN")
Riconoscimento e rilevamento del volto specifico di una persona basato su CNN26,99 €![Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito]( "Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito")
Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito51,99 €
L'apprendimento profondo sta avendo luogo, specialmente con la rapida crescita e la disponibilità di grandi database e i recenti miglioramenti nelle unità di elaborazione grafica (GPU). L'obiettivo principale di questa ricerca è quello di applicare algoritmi di apprendimento profondo, come le reti neurali convoluzionali (CNN) e le architetture profonde, in particolare il modello profondo VGG-16 per la categorizzazione e la localizzazione dei veicoli nelle scene stradali. In questa tesi, mostreremo che attraverso una parametrizzazione ottimizzata e una semplice modifica algoritmica, possiamo migliorare, anche relativamente, la robustezza di una particolare rete Faster R-CNN nel rilevamento dei veicoli e ottenere risultati migliori basati su vari database (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square e Logiroad).