دانلود مقاله و خرید ترجمه:تشخیص و شناسایی ترافیک بر اساس شبکه‌های پیچشی هرمی - 2019
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

مقالات ترجمه شده شبکه ( Network )
  • Traffic sign detection and recognition based on pyramidal convolutional networks تشخیص و شناسایی ترافیک بر اساس شبکه‌های پیچشی هرمی
    دانلود مقاله | مقاله انگلیسی رایگان | خرید ترجمه فارسی مقاله

    دسته بندی:

    شبکه - Network


    سال انتشار:

    2019


    ترجمه فارسی عنوان مقاله:

    تشخیص و شناسایی ترافیک بر اساس شبکه‌های پیچشی هرمی


    عنوان انگلیسی مقاله:

    Traffic sign detection and recognition based on pyramidal convolutional networks


    منبع:

    Springer, Neural Comput and Applic (2019): https://doi:org/10:1007/s00521-019-04086-z


    نویسنده:

    Zhenwen Liang1 • Jie Shao1 • Dongyang Zhang1 • Lianli Gao


    چکیده انگلیسی:

    With the development of driverless technology, we are in dire need of a method to understand traffic scenes. However, it is still a difficult task to detect traffic signs because of the tiny scale of signs in real-world images. In complex scenarios, some traffic signs could be very elusive due to the awful weather and lighting conditions. To implement a more comprehensive detection and recognition system, we develop a two-stage network. At the region proposal stage, we adopt a deep feature pyramid architecture with lateral connections, which makes the semantic feature of small object more sensitive. At the classification stage, densely connected convolutional network is used to strengthen the feature transmission and multiplexed, which leads to more accurate classification with less number of parameters. We test on GTSDB detection benchmark, as well as the challenging Tsinghua-Tencent 100K benchmark which is pretty difficult for most traditional networks. Experiments show that our proposed method achieves a very great performance and surpasses the other state-ofthe-art methods. Implementation source code is available at https://github.com/derderking/Traffic-Sign.
    Keywords: Traffic sign | Object detection | Feature pyramid


    چکیده فارسی:

    با توسعه فناوری بدون‌‌راننده، ما به شدت نیاز به روشی برای درک صحنه‌های ترافیکی داریم. با این حال هنوز شناسایی علائم راهنمایی و رانندگی به دلیل مقیاس کوچک این نشانه‌ها در تصاویر جهان واقعی، وظیفه‌ای دشوار است. در سناریوهای پیچیده برخی علائم راهنمایی و رانندگی به دلیل شرایط آب و هوایی بسیار بد و شرایط نورپردازی می‌تواند بسیار اغفال‌‌کننده باشد. برای پیاده‌سازی یک سیستم تشخیص و شناسایی جامع‌تر ما یک شبکه‌ دو مرحله‌ای را توسعه می‌دهیم. در مرحله پیشنهاد ناحیه، ما یک معماری عرمی ویژگی عمیق را با اتصالات جانبی به کار می‌گیریم که سبب می‌شود ویژگی‌های معنایی شی کوچک حساس‌تر شوند. در مرحله طبقه‌بندی شبکه پیچیشی که به شکل متراکم متصل شده است به منظور تقویت انتقال و تسهیم ویژگی مورد استفاده واقع شده است که این شبکه منجر به طبقه‌بندی دقیق‌تر با تعداد پارامترهای کمتر خواهد شد. ما بر روی بنچمارک تشخیص GTSDB و همچنین بر روی بنچمارک چالش برانگیز k100 Tsinghua-Tencent نیز آزمایش کردیم که برای اکثر شبکه‌های سنتی بسیار مشکل است. آزمایشات نشان می‌دهند که روش پیشنهادی ما عملکردی بسیار عالی را کسب می‌کند و از سایر جدیدترین روش‌ها نیز بهتر است. پیاده‌سازی کد منبع در آدرس روبرو در دسترس است: https://github.com/derderking/Traffic-Sign.
    کلیدواژه‌ها: نشانه ترافیک | تشخیص شی | هرم ویژگی.


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 11
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 28

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 983 کیلوبایت


    قیمت: 64350 تومان   


    توضیحات اضافی:

    نمونه ای از تصویر ترجمه شده




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 5300 :::::::: بازدید دیروز: 3097 :::::::: بازدید کل: 39567 :::::::: افراد آنلاین: 53