بازگشت به جستجو

تطبیق شبکه های دوطرفه با تخمین عمق تک چشمی برای استنتاج بلادرنگ

عنوان	تطبیق شبکه های دوطرفه با تخمین عمق تک چشمی برای استنتاج بلادرنگ
نویسنده	منتش، سامی
تاریخ انتشار:	2023-02-15T07:00:19Z
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	6371a372-e9be-4f66-8614-eb9821fc670a
محل کتابخانه	گروه علوم کامپیوتر
تاریخ	2023-02-15T07:00:19Z
متن نمونه	تخمین عمق تک چشمی (MDE) یک حوزه کاربردی بینایی کامپیوتری اساسی برای بسیاری از پیشرفت های مرتبط با صنعت است. با توجه به نیازهای استقرار آن، زمان استنتاج الگوریتم تخمین عمق نیز نقش مهمی در میان سایر معیارهای دقت ایفا می کند. با پیشرفت‌های اخیر در شبکه‌های عصبی کانولوشن (CNN) در سایر وظایف بینایی کامپیوتری با محدودیت زمانی، بسیاری از استخراج‌کننده‌های ویژگی کارآمد مورد مطالعه قرار گرفته‌اند و از مدل‌های MDE به عنوان ستون فقرات استفاده شده‌اند. اگرچه آن استخراج‌کننده‌های ویژگی بهبود قابل توجهی را در توان نشان داده‌اند، معماری رمزگذار-رمزگشای پرکاربرد مورد استفاده در مدل‌های Real-time MDE نیز برای نمونه‌برداری به شبکه رمزگشا متکی است. به دنبال یک رویکرد مشابه، انباشتن لایه های کانولوشن چند کاناله روی یک رمزگشا مانع از زمان استنتاج می شود. این مطالعه به بررسی مزایای شبکه های دوطرفه در وظایف MDE بلادرنگ می پردازد. در طول تحقیق خود، ما ابتدا ساختار یک مدل تقسیم‌بندی بلادرنگ (STDC-Seg) را که اخیراً معرفی شده برای مسئله MDE دستکاری می‌کنیم. هنگامی که به سرعت استنتاج بلادرنگ رسیدیم، ساختار ستون فقرات و ماژول‌های توجه مدل را برای نیازهای MDE برای بهبود دقت پیش‌بینی تنظیم می‌کنیم. در نهایت، مدل‌ها را بر روی مجموعه داده معروف KITTI آموزش می‌دهیم و نتایج خود را با مدل‌های معیار KITTI Eigen Split MDE همراه با مدل‌های بلادرنگ قبلی مقایسه می‌کنیم. نتایج تجربی ما نشان می‌دهد که روش بلادرنگ ما با مدل‌های پیشرفته‌ای که تحت هیچ محدودیت زمانی نیستند، به عملکرد متریک همتراز دست می‌یابد. Monoküler Derinlik Tahmini (MDT) Kullanım ihtiyaçları nedeniyle، derinlik tahmin algoritmasının çıkarım süresi de diğer doğruluk ölçütleri ile birlikte çok önemli بیر رول اوینار. Evrişimsel Sinir Ağlarının (ESA) diğer zaman kısıtlamalı bilgisayar görme görevlerinde kullanımındaki son gelişmelerle birlikte, birçok kodlayıcı incelendi ve MDT modellerinde omurga olarak kullanıld. Bu kodlayıcılar verimde büyük gelişme göstermiş olsa da, gerçek zamanlı modeller tarafından kullanılan populer kodlayıcı-kod çözücü mimarisi ayrıca çözünürlük yükseltebilmek için day بیر کود آ. Benzer bir yaklaşımı izleyerek, çok kanallı evrişimli katmanları bir kod çözücü üzerinde istiflemek, hesaplama süresini önemli ölçüde yavaşlatır. Bu çalışmada، Gerçek Zamanlı MDT için İkili Ağların kullanımını araştırıyoruz. Bunu başarmak için, önce MDT problemi için yakın zamanda tanıtılan bir gerçek zamanlı segmentasyon modelini (STDC-Seg) manipüle ettik. Gerçek zamanlı çıkarım hızına ulaşıldığında، doğruluğu daha da geliştirmek için ağın omurga yapısını و dikkat modüllerini MDT'nin ihtiyaçlarına göre uyarladık. Son olarak, modelleri KITTI veri seti üzerinde Eigen ayrımına bağlı kalarak eğittik ve sonuçlarımızı KITTI üzerinde çalışılan modellerle ve ayrıca gerçek zamanlı modellerle karşılaştırdık. Deneysel sonuçlarımız,metodumuzun gerçek zamanlı çıkarım elde ederken zaman kısıtlamasına tabi olmayan son teknoloji modellerle de yakın performansta sonuçlar elde ettiğini göstermektedir.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی

دانشگاه اوزیغین

تطبیق شبکه های دوطرفه با تخمین عمق تک چشمی برای استنتاج بلادرنگ

نویسنده منتش، سامی

تاریخ انتشار 2023-02-15T07:00:19Z

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 6371a372-e9be-4f66-8614-eb9821fc670a

محل کتابخانه گروه علوم کامپیوتر

تاریخ 2023-02-15T07:00:19Z

متن نمونه تخمین عمق تک چشمی (MDE) یک حوزه کاربردی بینایی کامپیوتری اساسی برای بسیاری از پیشرفت های مرتبط با صنعت است. با توجه به نیازهای استقرار آن، زمان استنتاج الگوریتم تخمین عمق نیز نقش مهمی در میان سایر معیارهای دقت ایفا می کند. با پیشرفت‌های اخیر در شبکه‌های عصبی کانولوشن (CNN) در سایر وظایف بینایی کامپیوتری با محدودیت زمانی، بسیاری از استخراج‌کننده‌های ویژگی کارآمد مورد مطالعه قرار گرفته‌اند و از مدل‌های MDE به عنوان ستون فقرات استفاده شده‌اند. اگرچه آن استخراج‌کننده‌های ویژگی بهبود قابل توجهی را در توان نشان داده‌اند، معماری رمزگذار-رمزگشای پرکاربرد مورد استفاده در مدل‌های Real-time MDE نیز برای نمونه‌برداری به شبکه رمزگشا متکی است. به دنبال یک رویکرد مشابه، انباشتن لایه های کانولوشن چند کاناله روی یک رمزگشا مانع از زمان استنتاج می شود. این مطالعه به بررسی مزایای شبکه های دوطرفه در وظایف MDE بلادرنگ می پردازد. در طول تحقیق خود، ما ابتدا ساختار یک مدل تقسیم‌بندی بلادرنگ (STDC-Seg) را که اخیراً معرفی شده برای مسئله MDE دستکاری می‌کنیم. هنگامی که به سرعت استنتاج بلادرنگ رسیدیم، ساختار ستون فقرات و ماژول‌های توجه مدل را برای نیازهای MDE برای بهبود دقت پیش‌بینی تنظیم می‌کنیم. در نهایت، مدل‌ها را بر روی مجموعه داده معروف KITTI آموزش می‌دهیم و نتایج خود را با مدل‌های معیار KITTI Eigen Split MDE همراه با مدل‌های بلادرنگ قبلی مقایسه می‌کنیم. نتایج تجربی ما نشان می‌دهد که روش بلادرنگ ما با مدل‌های پیشرفته‌ای که تحت هیچ محدودیت زمانی نیستند، به عملکرد متریک همتراز دست می‌یابد. Monoküler Derinlik Tahmini (MDT) Kullanım ihtiyaçları nedeniyle، derinlik tahmin algoritmasının çıkarım süresi de diğer doğruluk ölçütleri ile birlikte çok önemli بیر رول اوینار. Evrişimsel Sinir Ağlarının (ESA) diğer zaman kısıtlamalı bilgisayar görme görevlerinde kullanımındaki son gelişmelerle birlikte, birçok kodlayıcı incelendi ve MDT modellerinde omurga olarak kullanıld. Bu kodlayıcılar verimde büyük gelişme göstermiş olsa da, gerçek zamanlı modeller tarafından kullanılan populer kodlayıcı-kod çözücü mimarisi ayrıca çözünürlük yükseltebilmek için day بیر کود آ. Benzer bir yaklaşımı izleyerek, çok kanallı evrişimli katmanları bir kod çözücü üzerinde istiflemek, hesaplama süresini önemli ölçüde yavaşlatır. Bu çalışmada، Gerçek Zamanlı MDT için İkili Ağların kullanımını araştırıyoruz. Bunu başarmak için, önce MDT problemi için yakın zamanda tanıtılan bir gerçek zamanlı segmentasyon modelini (STDC-Seg) manipüle ettik. Gerçek zamanlı çıkarım hızına ulaşıldığında، doğruluğu daha da geliştirmek için ağın omurga yapısını و dikkat modüllerini MDT'nin ihtiyaçlarına göre uyarladık. Son olarak, modelleri KITTI veri seti üzerinde Eigen ayrımına bağlı kalarak eğittik ve sonuçlarımızı KITTI üzerinde çalışılan modellerle ve ayrıca gerçek zamanlı modellerle karşılaştırdık. Deneysel sonuçlarımız,metodumuzun gerçek zamanlı çıkarım elde ederken zaman kısıtlamasına tabi olmayan son teknoloji modellerle de yakın performansta sonuçlar elde ettiğini göstermektedir.