Multi-modal, Object Detection, Convolutional Neural Network, RGB, Grayscale, Thermal, IR, Depth Map

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU140805" target="_blank" >RIV/00216305:26220/21:PU140805 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Multi-modal, Object Detection, Convolutional Neural Network, RGB, Grayscale, Thermal, IR, Depth Map

Popis výsledku v původním jazyce

This paper studies the information gain of various data domains that are commonly used in the modern Advanced Driving Assistant Systems (ADAS) to develop robust systems that would increase traffic safety. We could see a fast growth of many Deep Convolutional Neural Networks (DCNN) based solutions during the last several years. These methods are state-of-the-art in object detection and semantic scene segmentation. We created a small annotated dataset of synchronized RGB, grayscale, thermal, and depth map images and used the modern DCNN framework tool to evaluate the object detection robustness of different data domains and their information gain process understanding the surrounding environment of the semi-autonomous driving agent.

Název v anglickém jazyce

Multi-modal, Object Detection, Convolutional Neural Network, RGB, Grayscale, Thermal, IR, Depth Map

Popis výsledku anglicky

This paper studies the information gain of various data domains that are commonly used in the modern Advanced Driving Assistant Systems (ADAS) to develop robust systems that would increase traffic safety. We could see a fast growth of many Deep Convolutional Neural Networks (DCNN) based solutions during the last several years. These methods are state-of-the-art in object detection and semantic scene segmentation. We created a small annotated dataset of synchronized RGB, grayscale, thermal, and depth map images and used the modern DCNN framework tool to evaluate the object detection robustness of different data domains and their information gain process understanding the surrounding environment of the semi-autonomous driving agent.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20204 - Robotics and automatic control

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

PROCEEDINGS II OF THE 27TH STUDENT EEICT 2021

ISBN

978-80-214-5943-4

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

156-160

Název nakladatele

Neuveden

Místo vydání

neuveden

Místo konání akce

Brno

Datum konání akce

27. 4. 2021

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—