khoa học ứng dụng Tuy nhiên, khía cạnh kỹ thuật quan trọng nhất để đạt được khả năng lái hoàn toàn tự động là sự an toàn Hệ thống phát hiện điểm mù đã được triển khai trong phần mềm mã nguồn mở Khoảng[.]
Machine Translated by Google khoa học ứng dụng Bài báo Nghiên cứu phát triển Blind dựa máy ảnh Hệ thống phát điểm sử dụng độ sâu phương pháp học tập donghwoon Kwon , Nghi lễ Malaiya ,Geumchae Yoon , Jeong-Tak Ryu 4,* Su-Young Pi Khoa Khoa học Máy tính, Đại học Rockford, Rockford, IL 61108, Hoa Kỳ Trường Khoa học Não Hành vi, Đại học Texas-Dallas, Richardson, TX 75080, Hoa Kỳ ASTI Manufacturing Ltd., Farmers Branch, TX 75234, Hoa Kỳ Trường Điện tử Truyền thông Kỹ thuật, Đại học Daegu, Gyeongsan-si 38453, Korea Department of Francisco College, Catholic University of Daegu, Gyeongsan-si 38430, Korea * Thư từ: jryu@daegu.ac.kr Nhận: ngày tháng năm 2019; Chấp nhận: ngày 17 tháng năm 2019; Đã xuất bản: 23 tháng năm 2019 Tóm tắt: Một tiêu đề tin tức gần người bị xe tự hành cán chết tính an tồn phương tiện khơng phát xác vật thể đường Do vụ tai nạn này, số công ty tơ tồn cầu cơng bố kế hoạch hỗn phát triển xe tự hành Hơn nữa, khơng có nghi ngờ tầm quan trọng tính an tồn cho xe tự trị Vì lý này, mục tiêu nghiên cứu phát triển hệ thống phát điểm mù dựa camera an tồn nhẹ, áp dụng cho phương tiện tự hành tương lai Hệ thống phát điểm mù triển khai phần mềm mã nguồn mở Khoảng 2000 hình ảnh phương tiện 9000 hình ảnh khơng phải phương tiện sử dụng để đào tạo mơ hình Mạng kết nối đầy đủ (FCN) Các khái niệm xử lý liệu khác Biểu đồ độ dốc định hướng (HOG), đồ nhiệt phân ngưỡng sử dụng Chúng tơi đạt độ xác đào tạo 99,43% độ xác kiểm tra 98,99% mơ hình FCN Mã nguồn liên quan đến tất phương pháp sau triển khai cho bảng nhúng có sẵn để thử nghiệm thực tế đường Thử nghiệm thực tế tiến hành với việc xem xét yếu tố khác chúng tơi xác nhận độ xác phát trung bình 93,75% với ba kết dương tính giả Từ khóa: phát điểm mù; học kĩ càng; internet vạn vật; bảng nhúng Giới thiệu Nhiều công ty tơ tồn cầu tích cực tiến hành nghiên cứu phát triển xe tự hành Phương tiện tự hành, gọi phương tiện tự lái, phương tiện nhận biết mơi trường điều hướng mà không cần can thiệp người [1] Theo Hiệp hội kỹ sư ô tô (SAE), công nghệ phương tiện tự hành phân thành sáu cấp độ hầu hết cơng ty tơ tồn cầu có kế hoạch phát hành phương tiện tự hành hoàn toàn vào năm 2020 [2] Sáu cấp độ tóm tắt Bảng [3] Một hãng tơ điện tiếng Mỹ có công nghệ xe tự hành tiên tiến thị trường Xe cơng ty có nhiều tính hỗ trợ lái xe lái tự động, triệu hồi, v.v [4] Hơn nữa, phận xe tự hành công ty CNTT tiếng Mountain View, Hoa Kỳ, tiến hành thử nghiệm xe tự lái hoàn toàn Arizona, Hoa Kỳ kể từ tháng 10 năm 2017 [2] Tuy nhiên, khía cạnh kỹ thuật quan trọng để đạt khả lái hoàn toàn tự động an toàn Theo báo cáo vụ tai nạn công bố vào tháng năm 2016, tài xế điều khiển xe điện thiệt mạng va chạm với xe sơ mi rơ moóc đường cao tốc Florida, Hoa Kỳ [3] Lý cho điều ứng dụng Khoa học 2019, 9, 2941; doi:10.3390/app9142941 www.mdpi.com/journal/applsci Machine Translated by Google 20 ứng dụng Khoa học 2019, 9, 2941 tai nạn xe điều khiển tính lái tự động bao gồm ba hệ thống: lái tự động, Hệ thống thay đổi đường tự động (ALCS) Kiểm sốt hành trình nhận biết giao thơng (TACC), người lái phụ thuộc nhiều vào công nghệ tự động hóa phương tiện thuộc mức Bảng Một điểm thú vị từ báo cáo tai nạn công nghệ mức không cho thấy độ tin cậy hệ thống cao Hạn chế cơng nghệ tự động hóa phương tiện truyền động lực cho nghiên cứu Đặc biệt, nghiên cứu tập trung vào tính an tồn liên quan đến phát điểm mù Bảng Sáu cấp độ công nghệ lái xe tự động cấp độ Mô tả Người Cấp độ Khơng tự động hóa lái hồn tồn chịu trách nhiệm điều khiển phương tiện Người lái vận hành xe với số tính hỗ trợ lái xe trang bị Hỗ trợ lái xe cấp xe Các tính tự động tự động lái, tự động tăng tốc, v.v cần cài đặt Tự động hóa phần cấp độ xe người lái cần tham gia điều khiển phương tiện theo dõi môi trường Cấp độ Tự động hóa có điều kiện Người lái xe khơng bắt buộc phải giám sát môi trường cần điều khiển phương tiện cần thiết Người lái bắt buộc phải tùy ý điều khiển phương tiện, tất chức Cấp độ Tự động hóa cao lái xe vận hành điều kiện định Tự động hóa hồn tồn cấp độ Người lái bắt buộc phải tùy ý điều khiển xe, tất chức lái xe vận hành điều kiện Phát điểm mù công nghệ cốt lõi ALCS, đề cập Ngoài ra, 4–10% tất vụ va chạm giao thông liên quan đến vụ va quẹt xe phát điểm mù [5] Vì lý này, việc đưa cảnh báo âm thanh-hình ảnh cho người lái xe cần thiết phát sai điểm mù Do đó, nghiên cứu đề xuất phát triển hệ thống phát điểm mù dựa camera phương pháp học sâu Bài viết tổ chức sau: Phần mô tả khía cạnh cơng nghệ hệ thống phát điểm mù cung cấp đánh giá tài liệu ngắn gọn Phần trình bày phương pháp khung nghiên cứu để phát triển hệ thống Kết thực nghiệm với hình ảnh video quay sẵn hình ảnh video trực tiếp đường thực tế thảo luận Phần Phần mô tả kết luận, giới hạn nghiên cứu công việc tương lai Công việc liên quan Có hai loại hệ thống phát điểm mù Loại thứ cảm biến radar Robert Bosch GmbH, Đức phát triển, Hình [6,7] Hình Mô-đun radar hệ thống phát điểm mù Machine Translated by Google 20 ứng dụng Khoa học 2019, 9, 2941 Hai cảm biến radar dựa sóng điện từ gắn cản sau cảm biến đo khoảng cách phương tiện trang bị radar phương tiện đến gần [8] Loại hệ thống đưa cảnh báo trực quan cho người lái phương tiện đến gần gần phương tiện trang bị radar điểm mù Hệ thống đưa cảnh báo âm cho người lái phương tiện trang bị radar thay đổi đường phương tiện tiếp cận điểm mù [8] Vấn đề hệ thống khơng phát tốt phương tiện xe máy đến nhanh [8] Loại thứ hai hệ thống phát điểm mù dựa camera Một công ty ô tô Nhật Bản giới thiệu hệ thống vào năm 2013 Một camera gắn bên gương chiếu hậu bên hành khách Camera kích hoạt bật đèn xi nhan phải người lái nhấn nút cơng tắc đèn xi nhan [9] Hình cho thấy hệ thống hoạt động Hình Hệ thống điểm mù dựa camera Tuy nhiên, hệ thống dựa camera có số vấn đề: (i) hệ thống cung cấp hướng dẫn để xem khoảng cách xe trang bị hệ thống xe mục tiêu thơng qua hình, khơng đưa hình ảnh âm cảnh báo cho người lái xe, không giống hệ thống điểm mù dựa radar ; (ii) camera gắn dễ bị ảnh hưởng nước mưa chất gây nhiễm Vì lý này, nhiều nghiên cứu tiến hành để cung cấp hệ thống phát điểm mù dựa camera đáng tin cậy Công trình [10] đề xuất hệ thống phát điểm mù dựa tầm nhìn dựa kỹ thuật dòng quang học Hệ thống bao gồm bốn bước tính tốn: (i) xử lý ảnh; (ii) phân cụm theo pixel ; (iii) phân tích cụm; (iv) nhận dạng mẫu Bước xử lý ảnh kết hợp với việc tách tính có liên quan khỏi mơi trường kỳ vọng giảm thời gian tính tốn Trong bước này, trích xuất cạnh Canny áp dụng cho hình ảnh đầu vào ban đầu pixel có giá trị dương sử dụng để tính tốn lưu lượng quang học Trong pixel phân cụm theo pixel, pixel cạnh Canny nhóm lại với để phát cụm pixel Mỗi cụm pixel ứng cử viên cho đối tượng phương tiện hình ảnh xử lý Để xác định nhóm pixel khả chúng tạo thành đối tượng, kỹ thuật phân cụm cổ điển sử dụng Lưu ý bước bước phụ giai đoạn phân cụm bước phụ thứ hai nhóm hợp hai nhiều cụm thành cụm dựa tiêu chí khoảng cách Lý chia bước thành hai giai đoạn phụ hai đối tượng đặt gần Trong giai đoạn phân tích cụm, cụm chọn sử dụng làm điểm gốc để tìm phần phía trước phương tiện thơng qua thuật tốn phát hai giai đoạn bao gồm máy dò trước, cảnh báo trước, v.v chúng phân loại Máy Vector Hỗ trợ (SVM) giai đoạn nhận dạng mẫu Nghiên cứu báo cáo độ xác phát kiểm tra hệ thống 99% với lần phát dương tính giả Cơng trình [11] đề xuất hệ thống phát điểm mù dựa chuyển động dựa tính tốn dịng quang học Kỹ thuật khớp mẫu ban đầu xem xét để phát theo dõi phương tiện, nghiên cứu báo cáo hiệu suất kỹ thuật khớp mẫu Machine Translated by Google ứng dụng Khoa học 2019, 9, 2941 20 khó nắm bắt chuyển động hình dạng phương tiện Thuật toán đề xuất bao gồm số bước: (i) định vùng điểm mù ảnh thang độ xám; (ii) trích xuất tính năng; (iii) ước tính vectơ chuyển động thơng qua tính tốn dịng quang; (iv) dán nhãn tính hợp lệ tính tiềm năng; (v) loại bỏ tiếng ồn cuối cùng; (vi) dán nhãn tính xe Kết thử nghiệm cho thấy phương tiện phát theo dõi thành công 38 tình tổng số 41 tình mà khơng có báo động dương tính giả Các tác giả [12] đề xuất hệ thống giám sát điểm mù cách sử dụng mô tả Histogram of Oriented Gradients (HOG) SVM Thuật toán đề xuất giới thiệu bốn bước Sau camera phía sau chụp khung hình, bước đặt cửa sổ phát để phát phương tiện khu vực điểm mù bên trái bên phải Bước thứ hai phát phương tiện cửa sổ phát cách sử dụng mô tả HOG SVM Các tác giả tuyên bố mô tả HOG SVM cho thấy hiệu suất độ tin cậy vượt trội Bước thứ ba ước tính hướng di chuyển phương tiện phát từ bước trước Bước cuối phát tín hiệu báo động có phương tiện vào khu vực điểm mù Hơn nữa, thuật toán tốc độ cao bao gồm hai khái niệm bổ sung, nghĩa lọc chọn lọc tính HOG ước tính nhanh hướng di chuyển, giới thiệu để đánh giá thời gian thực với hệ thống nhúng Các tác giả đánh giá thuật toán phát triển cách xem xét môi trường phương tiện khác nhau, đồng thời đo lường đánh giá hiệu suất cách sử dụng khả thu hồi độ xác Việc đánh giá thuật tốn khu vực đô thị đường cao tốc cho kết độ xác 98,62% 99,82% Khi đánh giá thuật toán tốc độ cao, tác giả báo cáo độ xác 97,26% 99,65% Trong [13], hệ thống phát điểm mù dựa camera kết hợp với mạng dựa AlexNet đề xuất ứng dụng hệ thống nhúng thời gian thực Trong cấu trúc mạng này, có bốn khối sau lớp tích chập khối thiết kế nhiều cách kết hợp khác khái niệm dựa Nhóm hình học trực quan (VGG), kết chập phân tách theo chiều sâu, học dư ép-và-kích thích mơ-đun Vì lý này, bốn mạng thần kinh khác thiết lập: (i) mạng dựa khối VGG; (ii) mạng với kết hợp tích chập phân tách theo chiều sâu học tập lại (Sep-Res); (iii) mạng với kết hợp tích chập phân tách theo chiều sâu mơ-đun bóp kích thích (Sep-SE); (iv) kết hợp ba phần (Sep-Res-SE) Hai liệu sử dụng để đánh giá mạng tác giả báo cáo mạng dựa khối VGG cho thấy độ xác kiểm tra cao chút so với mạng khác, mạng Sep-Res-SE cho thấy hiệu suất tốt mặt đánh giá tổng thể bao gồm tốc độ suy luận nhớ trị giá Lưu ý mạng Sep-Res-SE cho thấy độ xác phát 97,58% Theo nghiên cứu tài liệu trên, chắn hệ thống phát điểm mù dựa camera có khả cải thiện Tuy nhiên, số nghiên cứu tập trung đề xuất thuật toán, kỹ thuật kết hợp với phương pháp xử lý phân loại ảnh để phát phương tiện di chuyển điểm mù Ngồi ra, theo hiểu biết tốt chúng tơi, nghiên cứu phát điểm mù sử dụng Mạng kết nối đầy đủ (FCN) chưa báo cáo Điểm phù hợp với mục tiêu nghiên cứu, tức phát triển hệ thống phát điểm mù dựa camera phương pháp học sâu Nói cách khác, mục tiêu chúng tơi phát triển phần mềm nhẹ cài đặt bo mạch nhúng có thơng số kỹ thuật phần cứng hạn chế cách sử dụng mô tả FCN, HOG, kỹ thuật cửa sổ trượt, đồ nhiệt ngưỡng Những khái niệm thảo luận thêm Phần 3 Phương pháp luận Khung nghiên cứu 3.1 Tiền xử lý tập liệu Bước khuôn khổ nghiên cứu bảo mật tập liệu hình ảnh để đào tạo mơ hình Trường hợp tốt tự chụp ảnh xe, điều khơng khả thi Machine Translated by Google 20 ứng dụng Khoa học 2019, 9, 2941 hạn chế thời gian Do đó, chúng tơi định sử dụng liệu cho phương tiện đối tượng phương tiện từ [14–16] tổng cộng 8144 hình ảnh phương tiện trích xuất Hình cho thấy ví dụ hình ảnh phương tiện Hình Ví dụ hình ảnh phương tiện Khi bắt đầu vịng đời dự án, tất 8144 hình ảnh phương tiện lên kế hoạch sử dụng để đào tạo, có số vấn đề liên quan đến hình ảnh đó: (i) hình ảnh phương tiện có nhiều góc độ khác nhau; (ii) số hình ảnh có biểu ngữ phương tiện khác hậu cảnh; (iii) có khác biệt chất lượng hình ảnh Mỗi vấn đề giải sau: Thử nghiệm sơ thực cách sử dụng video quay camera điện thoại thơng minh Hình trước thử nghiệm thực tế đường thực Vì lý này, hình ảnh xe có góc phía trước phía trước bên trái trích xuất góc nhìn điểm mù Hình tổng cộng 2000 hình ảnh số 8144 hình ảnh chọn Sau xóa biểu ngữ phương tiện khác nền, lấp đầy với màu trắng Tất hình ảnh chọn chỉnh sửa chức làm sắc nét để có chất lượng hình ảnh vượt trội Hình Lắp đặt camera để thử nghiệm sơ Machine Translated by Google 20 ứng dụng Khoa học 2019, 9, 2941 Hình Ví dụ hình ảnh trích xuất Như đề cập trên, khoảng 9000 hình ảnh khơng phải xe cộ trích xuất sử dụng cho đào tạo người mẫu Hình hiển thị trực quan hóa liệu hình ảnh phương tiện khơng phải phương tiện Hình Trực quan hóa liệu hình ảnh phương tiện phương tiện 3.2 Rút gọn liệu học biểu diễn Giảm liệu đề cập đến việc giảm liệu nhiều chiều thành liệu chiều để giải số vấn đề lời nguyền chiều lựa chọn ranh giới tối ưu [17] Hơn nữa, việc giảm liệu cần thiết lý thực tế lý thuyết, ví dụ: loại bỏ tính khơng liên quan, góc độ tính tốn học máy, góc độ xác suất thống kê, v.v [18] Việc giảm kích thước thực nhiều chiến lược cho ứng dụng đa dạng Trong [19], ba chiến lược giảm liệu tiếng, cụ thể giảm kích thước, phân cụm lấy mẫu, thảo luận Giảm kích thước có liên quan đến việc giảm số lượng biến ngẫu nhiên, lựa chọn tính trích xuất tính phương pháp đại diện việc giảm kích thước Phân cụm nhóm đối tượng thành nhóm tương tự lấy mẫu sử dụng để xác định xem tập hợp mẫu nhỏ có đại diện cho tồn tập liệu hay không [19] Trong số phương pháp giảm liệu mơ tả trên, chúng tơi chọn trích xuất tính thuộc giảm kích thước theo định chúng tơi Trích xuất tính kết hợp với mô tả HOG thảo luận thêm Phần 3.3 Chúng xem xét số nghiên cứu để xem phương pháp giảm kích thước sử dụng khu vực Trong [20,21], Phân tích thành phần (PCA) sử dụng để giảm kích thước liệu Lưu ý PCA kỹ thuật tiên tiến để giảm tập liệu đầu vào chiều cao không gắn nhãn cho mục đích trích xuất tính Tuy nhiên, tác giả [20–22], Machine Translated by Google ứng dụng Khoa học 2019, 9, 2941 20 thật thú vị, áp dụng mơ hình Máy Boltzmann bị hạn chế (RBM) để học biểu diễn, gọi học tính Lý Mạng lưới thần kinh sâu (DNN) cần sử dụng để học biểu diễn chúng chứa cách thể liệu riêng, giúp chuyển đổi liệu đầu vào thành dạng số dễ nhận biết Đặc biệt, DNN học từ liệu cách tham số hóa phương pháp biểu diễn liệu [23] Tuy nhiên, định khơng áp dụng mơ hình DNN cho học biểu diễn nhiều chạy hai nhiều mơ hình học sâu thông số kỹ thuật phần cứng hạn chế 3.3 Biểu đồ Gradients định hướng (HOG) Một phương pháp phổ biến để trích xuất tính mô tả HOG điều hiệu để phát đối tượng, đặc biệt phát người Lý sử dụng mô tả HOG phương pháp sử dụng nhiệm vụ liên quan đến xe tự lái [24] Phương pháp bao gồm năm giai đoạn [25]: (i) chuẩn hóa hình ảnh; (ii) tính tốn độ dốc theo X (ngang) Y (dọc); (iii) tính tốn biểu đồ độ dốc; (iv) chuẩn hóa khối; (v) thu thập mô tả HOG từ khối chồng chéo bao phủ thành vectơ đặc trưng Giai đoạn đầu tiên, chuẩn hóa hình ảnh, u cầu để cung cấp tính bất biến chiếu sáng tốt ánh sáng, bóng tối, v.v cách chuẩn hóa ô khối Lưu ý định nghĩa khối cửa sổ hình ảnh chia thành vùng không gian nhỏ lớn, chúng gọi ô, bao gồm nhiều pixel hình chữ nhật hình trịn khối, tương ứng kết hợp nhiều Tuy nhiên, chuẩn hóa hình ảnh khơng áp dụng nghiên cứu khơng ảnh hưởng lớn đến hiệu suất [25] Giai đoạn thứ hai tập trung vào tính tốn độ dốc hình ảnh theo X Y Giai đoạn thực cách chụp cạnh cấu trúc hình ảnh dựa kênh màu chủ đạo cục Bằng cách đó, cung cấp khả chống lại biến đổi ánh sáng tốt Giai đoạn thứ ba tính tốn biểu đồ độ dốc cách thu thập thông tin hướng độ dốc cục Như đề cập bước trên, tính tốn biểu đồ độ dốc dựa khái niệm ô; nghĩa là, biểu đồ 1D cục hướng gradient cạnh pixel ô tích lũy cho biểu đồ kết hợp tạo thành biểu diễn biểu đồ định hướng [25] Sau đó, phạm vi góc độ dốc chia thành số thùng cố định Giai đoạn thứ tư tính tốn chuẩn hóa cách tích lũy thước đo “năng lượng” biểu đồ cục khối Lưu ý điều đề cập đến chuẩn hóa khối chia sẻ nhiều khối Vì lý này, có chuẩn hóa khác xuất vectơ đầu cuối Giai đoạn cuối thu thập mô tả HOG cửa sổ phát hiện, đề cập đến mơ tả khối chuẩn hóa giai đoạn trước Khái niệm chi tiết mô tả HOG có sẵn [25] Mục tiêu tiền xử lý liệu trích xuất tính thơng qua mô tả HOG tạo tập liệu đầu vào cho mơ hình học sâu Trước áp dụng mơ tả HOG, kích thước tất hình ảnh cố định 60 px × 60 px hình ảnh có kích thước khác Mười hướng, mười sáu pixel ô hai ô khối sử dụng để trích xuất đặc trưng, tổng chiều dài vectơ đặc trưng 1188 Do đó, có 1188 pixel hình ảnh, có nghĩa 3600 pixel chuyển đổi thành 1188 Tính HOG cho đối tượng phương tiện khơng phương tiện Hình cho thấy ví dụ trích xuất đặc trưng thông qua mô tả HOG Machine Translated by Google ứng dụng Khoa học 2019, 9, 2941 20 Hình Ví dụ trích xuất tính HOG cho đối tượng phương tiện phương tiện 3.4 Mạng thần kinh sâu Mạng kết nối đầy đủ Trước thảo luận mơ hình học sâu chọn, kiểm tra nhiều loại DNN Mơ hình DNN mà chúng tơi kiểm tra FCN, mơ hình DNN đơn giản Lý gọi mơ hình DNN đơn giản DNN triển khai lớp kết nối đầy đủ [26] Tất kích hoạt đầu lớp kết nối đầy đủ bao gồm tổng trọng số tất kích hoạt đầu vào, tất đầu kết nối với tất đầu vào [26] Tuy nhiên, nhược điểm tiếng mơ hình u cầu dung lượng lưu trữ tính tốn lớn, vấn đề giải cách loại bỏ số kết nối lần kích hoạt [26] Trong [27], tác giả đề xuất Mạng thần kinh chuyển đổi sâu (CNN), bao gồm năm lớp tích chập theo sau lớp tổng hợp tối đa ba lớp kết nối đầy đủ với softmax 1000 chiều cuối Ngồi ra, Đơn vị Tuyến tính Chỉnh lưu (ReLus) áp dụng cho đầu lớp tích chập kết nối đầy đủ Một điểm thú vị nghiên cứu hai GPU sử dụng để đào tạo mô hình đề xuất kích thước tập liệu thơng qua Bằng cách đó, tác giả đề cập giảm tỷ lệ lỗi đạt thời gian đào tạo so với sử dụng GPU Lưu ý khái niệm khác chuẩn hóa phản hồi cục bộ, hai hình thức tăng liệu loại bỏ liệu để tránh vấn đề trang bị mức, v.v sử dụng Nghiên cứu bắt đầu với động lực mạnh mẽ mạng sâu độ xác cao, thảo luận phương pháp học sâu lại, gọi ResNet [28] Tuy nhiên, nghiên cứu này, tác giả vấn đề xuống cấp độ dốc biến bùng nổ mạng trở nên sâu Để tránh cố vậy, tác giả chèn kết nối phím tắt vào mạng đơn giản để biến mạng thành phiên lại đối tác Hai ưu điểm khẳng định: (i) dễ dàng tối ưu hóa; (ii) đạt độ xác từ độ sâu tăng lên đáng kể, nhược điểm mạng dư chi phí tính tốn nhớ tăng tuyến tính để cải thiện hiệu suất [29] Machine Translated by Google 20 ứng dụng Khoa học 2019, 9, 2941 Trong [30], tác giả đề xuất mơ hình học sâu kết hợp hai Mạng thần kinh tái phát (RNN) bao gồm mã hóa giải mã Mơ hình cịn gọi Sequence to Sequence (Seq2Seq) Về bản, mã hóa tạo vectơ ngữ cảnh có kích thước cố định từ chuỗi đầu vào mơ hình giải mã sử dụng vectơ ngữ cảnh làm đầu vào để tạo chuỗi đầu dịch Mơ hình Seq2Seq hiệu việc tạo phản hồi, phản hồi đối thoại mơ hình Seq2Seq tạo có xu hướng đa dạng [31] Các tác giả [32] đề xuất phương pháp tóm tắt văn trừu tượng dựa Mạng đối thủ sáng tạo (GAN) bao gồm trình tạo trình phân biệt đối xử Trong nghiên cứu này, tác giả GAN mạnh thị giác máy tính lĩnh vực tạo hình ảnh, khó để tạo đầu rời rạc Như mô tả trên, DNN tổ chức thành dạng khác tùy thuộc vào cách chúng áp dụng: (i) FCN phù hợp tất liệu đầu vào phải xem xét chung; (ii) CNN tối ưu hóa để trích xuất đặc điểm khơng gian; (iii) RNN phù hợp với liệu ngôn ngữ tự nhiên [33] Quay lại thảo luận mơ hình học sâu chọn chúng tơi, ý tưởng nghiên cứu mạng lưới thần kinh đơn giản dựa phương trình sau: (1) H(x) = Wx + b H(x) giả thuyết, x biểu thị biến liệu đầu vào liệu, W b tương ứng biểu thị trọng số độ chệch Phương trình đề cập đến việc học mạng thần kinh mơ hình hồi quy tuyến tính mục tiêu tìm tập hợp tham số mạng tối ưu hóa cách giảm thiểu hàm chi phí [34] Một hàm chi phí cho mạng thần kinh thuật tốn độ dốc hợp lý ln hội tụ đến mức tối thiểu tồn cầu [34] Hạn chế là, tối ưu hóa cho hồi quy tuyến tính, gặp khó khăn việc phân tách tuyến tính cổng OR (XOR) độc quyền [35] Tuy nhiên, hạn chế giải khái niệm lan truyền ngược [36,37] thuật toán trở thành nguồn gốc DNN Một DNN nghiên cứu đề cập đến số lớp mạng bắt nguồn từ mạng thần kinh đơn giản; nói cách khác, nhiều lớp lớp đầu vào lớp đầu mạng sâu [38] Kiến trúc DNN FCN bao gồm lớp đầu vào, lớp đầu lớp ẩn Có hai điều cần lưu ý sử dụng mơ hình này, tức ngăn ngừa vấn đề độ dốc biến trang bị mức Vì lý này, việc tìm kiếm thiết lập thông số tốt quan trọng Các tham số đề cập đến số lượng đầu vào, lớp ẩn, tốc độ học tập, kỷ nguyên, v.v Đối với nghiên cứu mình, chúng tơi định sử dụng mơ hình FCN với trình tối ưu hóa Adam kích hoạt ReLus thay giảm dần độ dốc để cải thiện độ xác đào tạo Ưu điểm tính tốn mơ hình dựa HOG FCN chúng tơi HOG FCN dựa phép tính ma trận đơn giản , chúng dễ dàng song song dễ sử dụng công cụ nhúng dựa GPU với thông số kỹ thuật tính tốn hạn chế Tất khái niệm tốn học chi tiết liên quan đến mơ hình FCN sử dụng mơ tả sau: • Đầu vo: X ã u ra: Y Rmì1,188 mì2 [0, 1] • FCN – Chức kích hoạt ReLu: Ωi = max(0, Wix + hi) – Y = Θ (Ω1( Ωi(X))) • Lớp đầu Softmax: Θ(Ω Nó j ) = Tơi e k=1 K xj xk , i = 1, , định nghĩa số lớp, j = 1, , K định nghĩa lớp đầu • Hàm mục tiêu entropy chéo phân loại: H(Y,Y ) = m Ymlog(Y m), m lơ kích thước, Y đầu thực tế Y' đầu dự đốn • Hàm tổn thất theo kinh nghiệm: L = mH(Y,Y ) Machine Translated by Google 10 20 ứng dụng Khoa học 2019, 9, 2941 Mục tiêu chúng tơi đạt 95% độ xác đào tạo thử nghiệm với mơ hình FCN Nếu mơ hình FCN khơng thể đạt mục tiêu này, Kế hoạch B sử dụng mô hình học sâu CNN, RNN, v.v Để xem liệu mơ hình FCN có đạt độ xác 95% hay không, bắt đầu đào tạo mơ hình , triển khai phần mềm mã nguồn mở tảng đám mây Thông số kỹ thuật phần cứng để huấn luyện mơ sau: • Tên Máy: n1-chuẩn-4 • CPU ảo: • Bộ nhớ: 15 GB • Ổ đĩa cứng = 200 GB Ngồi ra, mơ hình huấn luyện với siêu tham số sau: • số đầu vào (tính năng): 1188 hình ảnh • số lớp ẩn: • số đơn vị lớp ẩn: 1188 lớp ẩn 594 lớp ẩn thứ hai lớp ẩn • tốc độ học = × 10 • kỷ nguyên = 10 Theo kết đào tạo kiểm tra thể Bảng 2, mơ hình FCN sử dụng cho bước độ xác đào tạo kiểm tra đạt 99,4% 99,0% Bảng Kết thực nghiệm huấn luyện thử nghiệm mơ hình Đào tạo Epoch Đào tạo độ xác Kiểm tra độ xác Kiểm tra mát 0,5111 78,8% 0,2019 87,8% 0,1750 93,4% 0,1337 95,6% 0,1254 96,3% 0,1014 96,9% 0,0982 97,3% 0,0817 97,4% 0,0782 98,1% 0,0692 97,8% 0,0636 98,5% 0,0593 98,1% 0,0527 98,9% 0,0522 98,3% 0,0448 99,1% 0,0498 98,5% 0,0379 99,3% 0,0443 98,8% 10 0,0321 99,4% 0,0389 99,0% 3.5 Cài đặt Điểm mù để Phát Xe Phương pháp để phát phương tiện điểm mù phương tiện vào điểm mù xác định dựa trục x y, hộp hình chữ nhật màu xanh phát phương tiện kỹ thuật cửa sổ trượt Kích thước hình ảnh video, ghi lại thiết lập Hình 4, khoảng 1300 px × 800 px Trong hình ảnh video này, chúng tơi kiểm tra tay trực quan điểm mù có phạm vi 400–800 px theo trục x 450–550 px theo trục y, thể Hình Một điều cần lưu ý hệ thống khơng nhằm mục đích phân loại đối tượng; nghĩa hệ thống khơng có ý định xác định đối tượng phát có phải phương tiện hay khơng Vì lý này, hộp hình chữ nhật tập trung vào việc phát tính phương tiện; chẳng hạn, tầm nhìn phía trước phương tiện vào điểm mù, biển số xe, lưới tản nhiệt, đèn pha, v.v phát hộp hình chữ nhật Trong trường hợp nhìn từ bên xe, phát lốp xe, bánh xe hợp kim, gương chiếu hậu, v.v Do đó, tính xe phát điểm mù, hộp hình chữ nhật hiển thị hình Tuy nhiên, kích thước hộp hình chữ nhật, cịn gọi ngưỡng hình chữ nhật, có liên quan đến việc giảm dương sai điểm thảo luận phần Machine Translated by Google 11 20 ứng dụng Khoa học 2019, 9, 2941 Hình Vùng cài đặt điểm mù 3.6 Giảm dương tính giả Một vấn đề tiềm phát dương tính giả Điều có nghĩa là, đối tượng phương tiện, hệ thống phát đối tượng ngồi điểm mù thơng qua kỹ thuật cửa sổ trượt Để giảm thiểu vấn đề này, hai khái niệm, cụ thể đồ nhiệt ngưỡng, sử dụng Khái niệm đồ nhiệt trực quan hóa hình ảnh cách biểu thị pixel màu tương ứng với độ lớn [39,40] Giả sử hình ảnh, x = {xp}, hàm phân loại, f(x), đưa p biểu thị pixel Ở đây, hàm f(x) sử dụng để diện đối tượng ảnh học tốt mạng lưới thần kinh sâu [40] Dựa điều này, đồ nhiệt ký hiệu là: h = {hp} = H(x, f , p) (2) H hàm bắt nguồn từ phân biệt lớp f Lưu ý giá trị gán cho pixel, p, H Ngoài ra, h hiển thị dạng hình ảnh kích thước giống x [40] Ngưỡng đề cập đến kỹ thuật phân đoạn hình ảnh ký hiệu là: T = T[x, y, p(x, y), f(x, y)] (3) T giá trị ngưỡng, x y tọa độ giá trị ngưỡng, p(x, y) điểm pixel ảnh mức xám f(x, y) pixel ảnh mức xám [41,42 ] Có hai kỹ thuật phân ngưỡng chính: tồn cục cục Sự khác biệt ngưỡng tồn cục áp dụng giá trị ngưỡng cho toàn ảnh, ngưỡng cục áp dụng giá trị ngưỡng khác cho vùng khác ảnh [41] Trong số hai kỹ thuật này, kỹ thuật đơn giản ngưỡng toàn cầu, áp dụng nghiên cứu ký hiệu là: g(x, y) = f(x, y) ≤ T (4) f(x, y) > T T giá trị ngưỡng g(x, y) = tương ứng có nghĩa đối tượng [41,42] Lưu ý f(x, y) thay đồ nhiệt, hp ban đầu đặt 10 thành giá trị ngưỡng, T Mục tiêu hai khái niệm tối đa hóa xác suất đối tượng (mục tiêu) phát phương tiện giao thông Machine Translated by Google 12 20 ứng dụng Khoa học 2019, 9, 2941 Như đề cập phần trước, kích thước hộp hình chữ nhật sử dụng để giảm dương sai Giả sử phương tiện nhìn thấy điểm mù, chúng xa điểm mù Trong trường hợp này, phương tiện nhìn thấy nhỏ xuất điểm mù Hệ thống nhận chúng phương tiện không cần phát chúng Vì lý này, hộp hình chữ nhật đồ nhiệt cung cấp nhỏ giá trị cụ thể, hệ thống từ chối giá trị giảm tượng dương tính giả Theo tất phương pháp mơ tả trên, tồn khung nghiên cứu mơ tả Hình Hình Khung nghiên cứu tổng thể Tổng cộng có 2000 hình ảnh phương tiện khoảng 9000 hình ảnh khơng phải phương tiện trích xuất cho mục đích tiền xử lý liệu Bộ mô tả HOG áp dụng để trích xuất đặc trưng 1188 đặc trưng HOG cho đối tượng phương tiện phương tiện đưa vào mơ hình FCN làm đầu vào Hãy nhớ tính biểu diễn học tính không áp dụng nghiên cứu hạn chế phần cứng Hai lớp ẩn, tốc độ học × 10 10 kỷ nguyên với trình tối ưu hóa Adam kích hoạt ReLus sử dụng để đào tạo thử nghiệm mơ hình FCN , đồng thời độ xác thử nghiệm đào tạo đạt 99,4% 99,0% Chúng đặt điểm mù phạm vi 400–800 px theo trục x 450–550 px theo trục y hình ảnh 1300 px × 800 px áp dụng kỹ thuật cửa sổ trượt để phát đặc điểm xe Cuối cùng, đồ nhiệt ngưỡng sử dụng để giảm lỗi dương tính giả Thử nghiệm với Quay video hình ảnh Trước tiến hành thí nghiệm, chúng tơi đưa hai kịch xảy Kịch phương tiện trang bị hệ thống dừng lại di chuyển chậm phương tiện mục tiêu Kịch thứ hai phương tiện trang bị hệ thống di chuyển nhanh phương tiện mục tiêu Dựa điều này, khung nghiên cứu áp dụng cho hai hình ảnh video ghi lại thiết lập Hình Bốn phương tiện hai phương tiện vào điểm mù tình thứ thứ hai Như đề cập trên, khung nghiên cứu triển khai phần mềm mã nguồn mở tảng đám mây Nhìn chung, 28,89 giây sử dụng để trích xuất tính HOG 461 khung hình chụp kịch Ngồi ra, có tổng cộng 386 khung hình chụp kịch thứ hai Trong thử nghiệm với kịch đầu tiên, gặp phải cố dương tính giả Ở đây, ý nghĩa sai tích cực , đối tượng không liên kết với phương tiện, ghi lại dạng tính phương tiện Hầu hết vấn đề dương tính giả bóng xe gây Để giải vấn đề vậy, chúng tơi phân tích lại tồn mã nguồn nhằm mục đích phân tích nguyên nhân gốc rễ nhận nguyên nhân siêu đường kính Lưu ý siêu tham số lần đề cập đến kích thước hộp hình chữ nhật, giá trị ngưỡng kích thước nhớ giá trị khác với siêu tham số mơ hình học sâu, đề cập Phần 3.4 Giải pháp xác định kích thước hộp hình chữ nhật tăng lên, kết dương tính giả giảm Vì lý này, kích thước hộp hình chữ nhật tối đa hóa thành 9000 Như mô tả trên, giá trị ngưỡng ban đầu 10 Giá trị giảm xuống 2, vấn đề là, hiệu suất cải thiện, kết dương tính giả lại tăng lên Do đó, giá trị ngưỡng khơng thay đổi thử nghiệm tảng đám mây Khái niệm nhớ phát sử dụng để ghi nhớ pixel hiển thị phương tiện khung hình trước Do hệ thống phát xe dựa tính xe nên nhớ phát giúp hệ thống ghi nhớ xe điểm mù Các siêu tham số điều chỉnh nhiều lần kết hợp tốt sử dụng cho chứng khái niệm tảng đám mây sau: • kích thước hộp hình chữ nhật: 9000 • giá trị ngưỡng: 10 Machine Translated by Google 13 20 ứng dụng Khoa học 2019, 9, 2941 • kích thước nhớ phát hiện: Hình 10 mơ tả kết thử nghiệm tình chúng tơi xác nhận phương tiện hình ảnh video ghi phát xác mà khơng có thơng báo sai Lưu ý biển số xe khuôn mặt người lái xe tơ màu xám lý riêng tư Hình 10 Kết thử nghiệm hai kịch Thử nghiệm đường thực Công việc để kiểm tra hệ thống đường triển khai mã bo mạch nhúng sẵn có sử dụng cho việc Thơng số kỹ thuật phần cứng chi tiết kiến trúc hệ thống bo mạch nhúng mô tả Hình 11 Một camera hỗ trợ USB 2.0, độ phân giải Độ nét cao 720 px 30 Khung hình giây (FPS) kết nối với bảng camera gắn gương chiếu hậu bên hành khách Lưu ý kiểm tra camera gắn trước thử nghiệm thực tế đường, độ trễ nghiêm trọng Ngồi ra, hình LCD inch kết nối với bo mạch hình gắn Machine Translated by Google ứng dụng Khoa học 2019, 9, 2941 14 20 bảng điều khiển Thử nghiệm tiến hành vào ngày nhiều mây với việc xem xét nhiều yếu tố khác loại phương tiện, màu sắc phương tiện, góc máy quay tốc độ phương tiện Ngoài ra, siêu tham số để tối đa hóa độ xác phát giảm thiểu kết dương tính giả để thử nghiệm bảng nhúng thay đổi sau: • kích thước hộp hình chữ nhật: 6000 • giá trị ngưỡng: • kích thước nhớ phát hiện: 10 Hình 11 Kiến trúc hệ thống bo mạch nhúng: Bo mạch nhúng kèm với cụm CPU Lõi tứ Lõi kép 64 bit, GPU với 256 lõi Kiến trúc thiết bị điện toán hợp (CUDA) RAM LPDDR4 GB 128 bit Mục đích lợi bo mạch nhúng sử dụng cho tảng AI nhúng với tốc độ hiệu suất lượng [43], để sử dụng nhiều tính bo mạch nhúng cung cấp, cần phải cài đặt nhiều gói phần mềm Chúng lái xe với tốc độ khoảng 40 dặm (MPH) đường địa phương đường cao tốc khoảng 90 phút để xem liệu hệ thống phát triển phát tất loại phương tiện, chẳng hạn xe chở khách, Xe thể thao đa dụng (SUV), xe bán tải, xe van sơ mi rơ moóc, dựa kịch xác định trước Kết thử nghiệm thú vị khơng tìm thấy lỗi hệ thống trình thử nghiệm Để kiểm tra tình đầu tiên, phương tiện trang bị hệ thống dừng lại di chuyển chậm so với phương tiện mục tiêu, dừng lại đường địa phương để chờ tín hiệu giao thông Tám phương tiện mục tiêu vượt qua phương tiện trang bị hệ thống tiếp theo, loại màu sắc phương tiện mục tiêu là: hai SUV màu trắng, sedan màu xám, sedan màu trắng, hai xe bán tải màu đen, SUV màu đỏ xe tải màu trắng Chúng đo tốc độ phương tiện qua cách máy móc, cảm giác trực quan 35 MPH Hệ thống cho thấy độ xác phát 75% sáu phương tiện phát xác, hệ thống bỏ sót hai phương tiện Khơng có kết dương tính giả báo cáo thí nghiệm Đối với kịch thứ hai, phương tiện trang bị hệ thống di chuyển nhanh phương tiện mục tiêu, thử nghiệm hệ thống đường địa phương đường cao tốc Xe vượt qua xe bán tải màu đen đường địa phương với tốc độ 35 dặm/giờ sơ mi rơ moóc màu đỏ, xanh lam trắng đường cao tốc với tốc độ 75 dặm/giờ Chúng vượt qua xe hatchback màu xám đường cao tốc với tốc độ 75 dặm/giờ, sau vượt qua xe này, giữ khoảng cách xe trang bị hệ thống xe hatchback màu xám Lưu ý hai phương tiện lái với tốc độ 75 dặm/giờ Trong thử nghiệm với xe bán tải màu đen đường địa phương, hệ thống phát xác xe tải mà khơng có thơng báo sai nào, độ xác phát 100% Hệ thống cho thấy độ xác phát 100% ba sơ mi rơ moóc, Machine Translated by Google 15 20 ứng dụng Khoa học 2019, 9, 2941 có hai kết dương tính giả, phát cột biển báo giao thông đặc điểm phương tiện Trong thử nghiệm gần với hatchback màu xám, xe phát xác với độ xác phát 100%, có kết dương tính giả, phát đường tính phương tiện Chúng tơi thấy chất lượng video hình LCD thông qua camera gắn không ảnh hưởng đến kết Bảng hiển thị tóm tắt kết thử nghiệm đường thực Hình 12 13 hiển thị kết thử nghiệm ghi lại thiết bị di động dựa tất tình mơ tả Bảng Hình 12 Kết thử nghiệm kịch thử nghiệm Bảng Tổng hợp kết thực nghiệm đường thực tế kịch Khi phương tiện mục tiêu vượt qua phương tiện trang bị hệ thống với tốc độ 35 dặm/giờ Khi xe trang bị hệ thống vượt qua Độ xác phát 75%, Hai xe số tám xe bị trượt 100% xe bán tải màu đen với tốc độ 35 dặm/giờ Khi phương tiện trang bị hệ thống vượt qua 100% ba sơ mi rơ moóc với tốc độ 75 dặm/giờ Tích cực sai Khơng có dương tính giả Khơng có dương tính giả dương tính giả Khi phương tiện trang bị hệ thống chạy tốc độ 75 dặm/giờ với xe hatchback màu xám 100% dương tính giả Machine Translated by Google 16 20 ứng dụng Khoa học 2019, 9, 2941 Hình 13 Kết thử nghiệm kịch thử nghiệm thứ hai Kết luận, Hạn chế Công việc tương lai Trong nghiên cứu này, phát triển hệ thống phát điểm mù xe dựa camera thông qua FCN Khung nghiên cứu thiết lập bao gồm năm giai đoạn: tiền xử lý liệu, trích xuất tính năng, học mơ hình FCN, cài đặt điểm mù phương tiện giảm dương tính giả Nhìn chung, độ xác đào tạo 99,45% độ xác kiểm tra 98,99% mơ hình FCN đạt tương ứng Sau triển khai phần mềm bảng mạch nhúng để thử nghiệm thực tế đường thực, chúng tơi xác nhận độ xác phát điểm mù trung bình 93,75% với ba kết dương tính giả Hiệu dự kiến thương mại hóa, thay hệ thống phát điểm mù dựa cảm biến radar có Machine Translated by Google ứng dụng Khoa học 2019, 9, 2941 17 20 để tiết kiệm chi phí mong đợi từ quan điểm nhà sản xuất ô tô Ngoài ra, hệ thống phát triển áp dụng cho phương tiện tự trị tương lai Tuy nhiên, gặp phải số hạn chế thông qua việc thực nghiên cứu Hạn chế nghiên cứu đề cập đến liệu hình ảnh Khơng đủ hình ảnh trích xuất xử lý trước, đồng thời khơng thể bảo mật liệu hình ảnh riêng hạn chế thời gian Thử nghiệm với hình ảnh video trực tiếp giới hạn nghiên cứu thứ hai Việc kiểm tra độ xác hình ảnh video trực tiếp lẽ phải đánh giá cách máy móc tương tự đào tạo kiểm tra độ xác tảng đám mây chúng tơi tìm cách cho việc Ngồi ra, thử nghiệm khơng tiến hành nhiều điều kiện thời tiết Hạn chế nghiên cứu thứ ba hiệu suất hệ thống Mặc dù hệ thống cho thấy hiệu suất khả quan mong đợi chúng tôi, mong muốn cho thấy hiệu suất hệ thống đảm bảo 100% mà khơng có thơng báo sai Hạn chế nghiên cứu cuối lớn chúng tơi khơng áp dụng phương pháp học đại diện/tính áp dụng phương pháp học sâu khác CNN, Mạng thần kinh tái phát (RNN), v.v để phân tích so sánh Tất hạn chế nghiên cứu công việc nghiên cứu tương lai mô tả Hơn mười nghìn hình ảnh bao gồm xe cộ, xe máy đối tượng xe cộ khác bảo mật cho đào tạo kiểm tra Bằng cách đó, độ xác việc đào tạo kiểm tra mơ hình học sâu cải thiện Ngoài ra, hệ thống tối ưu hóa để khơng có kết dương tính giả Một vấn đề trình thử nghiệm hệ thống góc camera liên tục thay đổi gió mạnh xe chạy tốc độ cao Hơn nữa, chất lượng hình ảnh từ máy ảnh khơng đủ tốt Do đó, máy ảnh có thơng số kỹ thuật phần cứng tốt gắn với góc cố định bên gương chiếu hậu thử nghiệm điều kiện khác tiến hành Ngoài ra, hai camera hai bên sử dụng để thử nghiệm Xe mục tiêu phát hộp hình chữ nhật, thay biểu tượng điểm mù Cụ thể, biểu tượng hiển thị hình phát phương tiện mục tiêu điểm mù Hơn nữa, hệ thống đưa báo động hình ảnh âm Lý sử dụng mô hình FCN nghiên cứu bo mạch nhúng bán sẵn sử dụng có giới hạn cơng suất, đó, điều dẫn đến lõi khả song song hóa Do hạn chế này, định thử nghiệm phương pháp đơn giản số nhiều phương pháp học sâu Hơn nữa, tổng số lượng hình ảnh xử lý để phân loại giảm kỹ thuật cửa sổ trượt Vì mục tiêu chúng tơi xác định tính phương tiện khu vực cụ thể hình ảnh định, điều làm giảm đáng kể nhu cầu có mạng phức tạp với khả phân loại nâng cao Tuy nhiên, việc so sánh phân tích khác biệt so với hệ thống phát triển sở FCN cách áp dụng phương pháp học sâu khác có ý nghĩa , đó, hệ thống phát điểm mù phương tiện phát triển cách áp dụng nhiều phương pháp học sâu khác Để thực phép tính nhanh bảng nhúng, chúng tơi bỏ qua q trình học biểu diễn Tuy nhiên, tin cách tiếp cận khác để xử lý lời nguyền chiều không gian thực Như đề cập trên, kỹ thuật cửa sổ trượt dùng để xác định tính xe áp dụng để xử lý khu vực điểm mù Một cửa sổ hình chữ nhật tương đối nhỏ xử lý vị trí ngang dọc chồng chéo hình ảnh Điều quan trọng cần lưu ý kích thước cửa sổ nhỏ nhiều so với kích thước xe điểm mù Ngoài ra, đồ nhiệt tạo từ tất đặc điểm nhận dạng cửa sổ Bản địa hóa hình chữ nhật thu từ pixel đồ nhiệt có nhiệt vượt mức ngưỡng Điều không giúp khắc phục lời nguyền số chiều, mà yêu cầu sức mạnh tính tốn đáng kể phép nhân ma trận thực ma trận nhỏ Tuy nhiên, đáng để sử dụng phương pháp chẳng hạn RBM để xem việc học biểu diễn/tính thay đổi q trình xử lý mơ Machine Translated by Google 18 20 ứng dụng Khoa học 2019, 9, 2941 Đóng góp tác giả: Conceptualization, DK RM; phương pháp, DK RM; phân tích thức, GY; quản lý liệu, GY; phần mềm, RM; xác nhận, RM; viết—chuẩn bị thảo gốc, DK; viết—đánh giá chỉnh sửa, S.-YP; giám sát, J.-TR Kinh phí: Nghiên cứu hỗ trợ khoản trợ cấp giảng viên Đại học Rockford Xung đột lợi ích: Các tác giả tun bố khơng có xung đột lợi ích Người giới thiệu Yeomans, G Xe tự lái: bàn giao quyền kiểm soát—Cơ hội rủi ro bảo hiểm Lloyds 2014, 18, 4–23 Lítman, T Dự đốn triển khai xe tự hành; Viện Chính sách Giao thơng Vận tải Victoria: Victoria, CO, Canada, 2017 Ban An tồn Giao thơng Quốc gia (NTSB) Báo cáo Tai nạn Đường cao tốc: Va chạm Ơ tơ Hoạt động với Hệ thống Điều khiển Phương tiện Tự động Xe tải Đầu kéo-Sơ mi rơ moóc; NTSB: Washington, DC, Hoa Kỳ, 2016 Nâu, B.; Laurier, E Rắc rối với hệ thống lái tự động: Lái xe tự động có hỗ trợ đường xã hội Trong Kỷ yếu Hội nghị CHI 2017 Yếu tố Con người Hệ thống Máy tính, Denver, CO, Hoa Kỳ, ngày 6–11 tháng năm 2017; trang 416–429 Bulumulle, G.; Bölöni, L Giảm thiểu tai nạn va quệt vào bên nhờ giao tiếp phương tiện J Sens Thiết bị truyền động Netw 2016, 5, 19 [CrossRef] Schneider, M Radar ô tô–tình trạng xu hướng Trong Kỷ yếu Hội nghị Lị vi sóng Đức, Ulm, Đức, ngày 5–7 tháng năm 2005; trang 144–147 Hasch, J Hướng tới năm 2020: Xu hướng công nghệ radar ô tô Trong Kỷ yếu Lị vi sóng cho Tính di động Thông minh (ICMIM), Heidelberg, Đức, 27–29 tháng năm 2015; trang 1–4 Forkenbrock, G.; Hoover, RL; Gerdus, E.; Van Buskirk, TR; Heitz, M Giám sát điểm mù phương tiện hạng nhẹ—Hiệu suất hệ thống; Tường trình kỹ thuật; Cục Quản lý An tồn Giao thơng Đường cao tốc Quốc gia: Washington, DC, Hoa Kỳ, 2014 Oshida, K.; Watanabe, T.; Nishiguchi, H Thiết bị hình ảnh xe cộ Bằng sáng chế Hoa Kỳ 9.294.657, ngày 22 tháng năm 2016 10 Sotelo, Thạc sĩ; Bụng, J.; Dương xỉ, D.; Parra, tôi.; Naranjo, JE; Nâu, M.; Álvarez, S.; Gavilan, M Phát điểm mù dựa tầm nhìn dịng quang học Trong Kỷ yếu Hội nghị Quốc tế Lý thuyết Hệ thống Hỗ trợ Máy tính, Las Palmas de Gran Canaria, Tây Ban Nha, 12–16 tháng năm 2007; trang 1113–1118 11 Saboune, J.; Arezoomand, M.; Martel, L.; Laganiere, R Một hệ thống giám sát điểm mù trực quan để thay đổi đường an toàn Trong Kỷ yếu Hội nghị Quốc tế Phân tích Xử lý Hình ảnh, Ravenna, Ý, 14–16 tháng năm 2011; trang 1–10 12 Jung, KH; Yi, K Giám sát điểm mù dựa tầm nhìn cách sử dụng camera chiếu hậu triển khai theo thời gian thực hệ thống nhúng J Máy tính Khoa học Tiếng Anh 2018, 12, 127–138 [Tham khảo chéo] 13 Triệu, Y.; Bái, L.; Lưu, Y.; Huang, X Phát điểm mù dựa máy ảnh với mục đích chung nhẹ Mạng lưới thần kinh Điện tử 2019, 8, 233 [CrossRef] 14 Krause, J.; Stark, M.; Đặng, J.; Fei-Fei, L Biểu diễn đối tượng 3D để phân loại chi tiết Trong Kỷ yếu Hội thảo IEEE Quốc tế lần thứ Biểu diễn Nhận dạng 3D (3dRR-13), Sydney, Úc, ngày tháng 12 năm 2013 [CrossRef] [PubMed] 15 Geiger, A.; Lenz, P ; Stiller, C.; Urtasun, R Vision đáp ứng Robotics: Bộ liệu KITTI quốc tế J Người máy độ phân giải 2013, 32, 1231–1237 [Tham khảo chéo] 16 Arróspide, J.; Salgado, L.; Nieto, M Phát theo dõi phương tiện dựa phân tích video khung lấy mẫu mcmc EURASIP J Adv Q trình tín hiệu 2012, 2012, [Tham khảo chéo] 17 Uhm, D.; Tháng sáu, SH; Lee, SJ Một phương pháp phân loại sử dụng giảm liệu quốc tế J Nhật ký mờ thông minh hệ thống 2012, 12, 1–5 [Tham khảo chéo] 18 Chao, WL Giảm kích thước; Viện Cao học Kỹ thuật Truyền thông, Đại học Quốc gia Đài Loan: Thành phố Đài Bắc, Đài Loan, 2011 19 Kwon, D.; Kim, H.; Kim, J.; Suh, SC; Kim, tôi.; Kim, KJ Một khảo sát phát bất thường mạng dựa học sâu cụm Điện toán 2017, 1–13 Machine Translated by Google ứng dụng Khoa học 2019, 9, 2941 19 20 [Tham khảo chéo] 20 Ngâm, J.; Khosla, A.; Kim, M.; Nam, J.; Lee, H.; Ng, AY Học sâu đa phương thức Trong Kỷ yếu Hội nghị Quốc tế lần thứ 28 Máy học (ICML-11), Washington, DC, Hoa Kỳ, ngày 28 tháng 6–2 tháng năm 2011; trang 689–696 21 Nam, J.; Herrera, J.; Slaney, M.; Smith, JO Học cách trình bày tính thưa thớt cho thích truy xuất âm nhạc Trong Kỷ yếu Hội nghị Truy xuất Thông tin Âm nhạc Hiệp hội Quốc tế lần thứ 13, Porto, Bồ Đào Nha, ngày 8–12 tháng 10 năm 2012; trang 565– 570 22 Mousas, C.; Anagnostopoulos, Các tính chuyển động học tập CN để ước tính chuyển động ngón tay dựa ví dụ cho nhân vật ảo Độ phân giải 3D 2017, 8, 25 [CrossRef] 23 Bengio, Y.; Courville, A.; Vincent, P Học tập đại diện: Đánh giá lại quan điểm IEEE Trans Mẫu hậu môn máy móc thơng minh 2013, 35, 1798–1828 [Tham khảo chéo] 24 Churchill, M.; Fedor, A Histogram of Oriented Gradients for Detection of Multiple Scene Properties 2014 25 Dalal, N.; Triggs, B Biểu đồ độ dốc định hướng để phát người Trong Kỷ yếu Hội nghị Hiệp hội Máy tính IEEE năm 2005 Tầm nhìn Máy tính Nhận dạng Mẫu (CVPR'05), San Diego, CA, USA, 20–25 tháng năm 2005; Tập 1, trang 886–893 26 Sze, V.; Trần, YH; Dương, TJ; Emer, JS Xử lý hiệu mạng lưới thần kinh sâu: Hướng dẫn khảo sát Proc IEEE 2017, 105, 2295–2329 [Tham khảo chéo] 27 Krizhevsky, A.; Sutskever, tôi.; Hinton, GE Phân loại Imagenet với mạng thần kinh tích chập sâu Trong Kỷ yếu tiến Hệ thống xử lý thông tin thần kinh, Lake Tahoe, NV, Hoa Kỳ, ngày 3–6 tháng 12 năm 2012; trang 1097–1105 28 Anh ấy, K.; Trương, X.; Ren, S.; Sun, J Học sâu lại để nhận dạng hình ảnh Trong Kỷ yếu Hội nghị IEEE Thị giác máy tính Nhận dạng mẫu, Las Vegas, NV, Hoa Kỳ, ngày 26 tháng 6–ngày tháng năm 2016; trang 770–778 29 Abdi, M.; Nahavandi, S Mạng đa dư: Cải thiện tốc độ độ xác mạng dư arXiv 2016, arXiv:1609.05672 30 Cho, K.; Van Merriënboer, B.; Gulcehre, C.; Bahdanau, D.; Bougares, F.; Schwenk, H.; Bengio, Y Học biểu diễn cụm từ sử dụng mã hóagiải mã RNN để dịch máy thống kê arXiv 2014, arXiv:1406.1078 31 Giang, S.; de Rijke, M Tại mơ hình lại trở nên buồn tẻ? Hiểu vấn đề tính đa dạng thấp Chatbots arXiv 2018, arXiv:1809.01941 32 Rekabdar, B.; Mousas, C.; Gupta, B Mạng đối thủ tạo với Gradient sách để tóm tắt văn Trong Kỷ yếu Hội nghị Quốc tế IEEE lần thứ 13 Điện toán Ngữ nghĩa (ICSC) lần thứ 13 năm 2019, Newport Beach, CA, Hoa Kỳ, ngày 30 tháng 1–1 tháng năm 2019; trang 204–207 33 Kim, M.; Lee, W.; Yoon, J.; Jo, O Xây dựng mã hóa giải mã với mạng lưới thần kinh sâu: Đang triển khai Đến thực tế arXiv 2018, arXiv:1808.02401 34 Ng, A Ghi giảng CS229; 2000; Tập 1, trang 1–3 Có sẵn trực tuyến: https://www.researchgate.net/ ấn phẩm/265445023_CS229_Lecture_notes (truy cập ngày 20 tháng năm 2019) 35 Minski, ML; Papert, SA Perceptrons: Giới thiệu Hình học Tính tốn; MIT Press: Cambridge, MA, USA, 1969 36 Werbos, PJ The Roots of Backpropagation: From Ordered Derivatives to Neural Networks and Political Forecasting; John Wiley & Sons: Hoboken, NJ, Hoa Kỳ, 1994; Tập 37 Rumelhart, DE; Hinton, GE; Williams, RJ Các biểu diễn học tập lỗi lan truyền ngược Thiên nhiên 1986, 323, 533–536 [Tham khảo chéo] 38 LeCun, Y.; Bengio, Y.; Hinton, G Học sâu Thiên nhiên 2015, 521, 436–444 [Tham khảo chéo] 39 Hàng đổi hàng, RL; Yu, B Superheat: Gói R để tạo đồ nhiệt đẹp mở rộng để trực quan hóa liệu phức tạp arXiv 2015, arXiv:1512.01524 40 Samek, W.; Chất kết dính, A.; Montavon, G.; Lapuschkin, S.; Müller, KR Đánh giá khả trực quan hóa mạng lưới thần kinh sâu học IEEE Trans Mạng thần kinh Học hỏi hệ thống 2017, 28, 2660–2673 [Tham khảo chéo] 41 Senthilkumaran, N.; Vaithegi, S Phân đoạn hình ảnh cách sử dụng kỹ thuật tạo ngưỡng cho hình ảnh y tế Điện toán Khoa học Tiếng Anh quốc tế J 2016, 6, 1–13 [Tham khảo chéo] Machine Translated by Google 20 20 ứng dụng Khoa học 2019, 9, 2941 42 Chaubey, AK So sánh phương pháp ngưỡng cục toàn cục phân đoạn ảnh Thế giới J độ phân giải Rev 2016, 2, 1–4 43 Von Zitzewitz, G Học sâu Thị giác máy tính thời gian thực cho tảng di động Có sẵn trực tuyến: https://www.researchgate.net/publication/ 331839269_Deep_Learning_and_Real-Time_Computer_ Vision_for_Mobile_Platforms (truy cập ngày 20 tháng năm 2019) c 2019 tác giả Người cấp phép MDPI, Basel, Thụy Sĩ Bài viết báo truy cập mở phân phối theo điều khoản điều kiện Creative Commons Attribution (CC BY) giấy phép (http://creativecommons.org/licenses/by/4.0/)