Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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

Identifikátory výsledku

  • 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

Alternativní jazyky

  • 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.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20204 - Robotics and automatic control

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • 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