Детектирование дефектов дорожного полотна на панорамных изображениях
| Parent link: | Наука. Технологии. Инновации: сборник научных трудов XIV Всероссийской научной конференции молодых ученых, Новосибирск, 30 ноября-04 декабря 2020 г./ Новосибирский государственный технический университет (НГТУ).— , 2020 Ч. 2 : Информационные технологии математического моделирования и обработки данных.— 2020.— [С. 179-182] |
|---|---|
| Main Author: | |
| Corporate Author: | |
| Other Authors: | |
| Summary: | Заглавие с экрана Работа посвящена анализу применимости современных нейросетевых алгоритмов детектирования объектов к задаче выделения объектов на панорамных изображениях. Представлены результаты обнаружения дефектов дорожного полотна на панорамных изображениях с помощью глубокой сверточной нейронной сети, обученной на обычных изображениях. The work is devoted to the analysis of the applicability of state-of-the-art architectures for object detection to the problem of object detection in panoramic images. The paper presents the results of detecting road surface defects in panoramic images using a deep convolutional neural network trained on planar images. |
| Published: |
2020
|
| Subjects: | |
| Online Access: | https://lomonosov-msu.ru/file/event/6339/eid6339_attach_0126260cb8e08fa010f0a68551f3f28364b18ca9.pdf#page=180 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=663149 |
| Summary: | Заглавие с экрана Работа посвящена анализу применимости современных нейросетевых алгоритмов детектирования объектов к задаче выделения объектов на панорамных изображениях. Представлены результаты обнаружения дефектов дорожного полотна на панорамных изображениях с помощью глубокой сверточной нейронной сети, обученной на обычных изображениях. The work is devoted to the analysis of the applicability of state-of-the-art architectures for object detection to the problem of object detection in panoramic images. The paper presents the results of detecting road surface defects in panoramic images using a deep convolutional neural network trained on planar images. |
|---|