Congratulation from Internet Conference!
Hello
FCOS: ВИЯВЛЕННЯ ОБ'ЄКТІВ ЗА ДОПОМОГОЮ МЕТОДУ ПРОГНОЗУВАННЯ ПІКСЕЛІВ
09.12.2022 19:57
[1. Information systems and technologies]
Author: Гречмак Дмитро Вікторович, студент, Харківський національний університет радіоелектроніки, м Харків
Рисунок 1 - архітектура моделі FCOS.
Наведений вище рисунок (рис. 1) описує мережеву архітектуру FCOS. Він складається із трьох частин: Магістраль, Піраміда функцій, Head
Три карти об'єктів з магістралі, C3, C4 і C5, введення в мережу піраміди об'єктів (FPN) в P3, P4, і P5 відповідно. Крім того, вихідні дані P5 надходять P6, і висновок P6 подається в P7.Висновок з P3 на P7 надходить у head мережу. Форма вихідного об'єкта, що показана на зображенні, відповідає розміру вхідного зображення 800 x 1024.
Вихідні кроки (відношення дискретизації до розміру вхідного зображення) при C3 / P3, C4 / P4, C5 / P5, P6 і P7 є 8, 16, 32, 64, і 128 відповідно. У міру збільшення роздільна здатність виводу зменшується; наприклад, ширина та висота виведення на рівні C3/P3 це 100 x 128 і рівень C4/P4 це 50 x 64.
Ширина та висота вихідного сигналу head залежать від їхнього рівня. Наприклад, ширина та висота на рівні P7 дорівнюють 7 x 8 і на рівні P6, вони 13 x 16 відповідно. Однак на всіх рівнях глибина однакова і виглядає так:
● Глибина класифікації дорівнює C, де C – кількість класів об'єктів.
● Глибина центру дорівнює один. Отже, він передбачає якість централізації обмеження; одного скаляра достатньо для подання якості.
FCOS використовує архітектуру Resnet-FPN. Таким чином він виводить різні дозволи. Архітектура FPN забезпечує високий BPR (найкращий можливий відгук) та кращий прогнозований відгук.
Для навчання моделі основні істини, що обмежують рамки, мають бути закодовані певним чином; це також шляхетність FCOS. Цей унікальний спосіб допомагає моделі мати менш спотворену навчальну вибірку.
Він використовує три функції втрат – втрата фокусу для класифікації, втрата BCE для централізації та IoU втрата для регресії.
Для отримання стандартного формату наземної істини потрібне декодування передбачення моделі.
Література
1. V Tkachov Cellular Technology Based Overlay Networks for the Secure Control of Intelligent Mobile Objects: Models and Numerical Study/ V Tkachov, A Kovalenko, V Kharchenko, M Hunko // ICTERI 2021: Information and Communication Technologies in Education, Research, and Industrial Applications. – Kherson, Ukraine, October 2, 2021. – Pp. 42-63.
2. V Tkachov Cellular Technology Based Overlay Networks for the Secure Control of Intelligent Mobile Objects/ V Tkachov, A Kovalenko, V Kharchenko, M Hunko // ICTERI 2021: Information and Communication Technologies in Education, Research, and Industrial Applications. – Kherson, Ukraine, October 2, 2021. – Pp. 480-490.
3. M Hunko. Application Architecture For Obtaining Data From Scientometric Databases / M Hunko, V Tkachov, O Liashenko, J Rabčan // 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek). – Kharkiv, 2022.
4. Tkachov V. Principles of Constructing an Overlay Network Based on Cellular Communication Systems for Secure Control of Intelligent Mobile Objects / Vitalii Tkachov, Andriy Kovalenko, Mykhailo Hunko and Kateryna Hvozdetska // Информационные технологии и безопасность. Материалы XIX Международной научно-практической конференции ИТБ-2020. – К.: ООО "Инжиниринг", 2020. – С. 51-55.
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter
Another articles in this section
-
ЗАСТОСУВАННЯ СУЧАСНИХ АЛГОРИТМІВ ДИНАМІЧНОГО ПОШУКУ В СКЛАДНИХ ІНФОРМАЦІЙНИХ СИСТЕМАХ
29.11.2022 03:05 -
СИСТЕМА ДОМАШНЬОГО АВТОМАТИЗУВАННЯ
29.11.2022 02:54 -
ТЕХНОЛОГІЇ «E-LEARNING» В СУЧАСНІЙ ОСВІТІ
29.11.2022 02:47 -
ВИМОГИ СТВОРЕННЯ SMART КУРСУ ЗМІШАНОГО НАВЧАННЯ
11.12.2022 00:24 -
МЕТОД ВИКОРИСТАННЯ ШАБЛОНУ КУРСУ ЗМІШАНОГО НАВЧАННЯ
11.12.2022 00:16
Сonferences
Conference 2024
Conference 2023
Conference 2022
Conference 2021
