BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  23,003,783
  • Công bố khoa học và công nghệ Việt Nam

Khoa học máy tính

Đặng Xuân Kiên(1), Nguyễn Việt Chính, Phan Thanh Minh

Ứng dụng mạng nơ ron tích chập lai ghép để xử lý ảnh trong hệ thống báo động trực ca hàng hải

Applying hybrid convolutional neural networks for image processing to bridge navigational watch and alarm system

Tạp chí khoa học công nghệ giao thông vận tải

2019

32

47-52

1859-2724

Mạng nơ ron tích chập, Xử lý ảnh, Phát hiện đối tượng, Hệ thống báo động

Neural networks, Image processing, Alarm system

Hiện nay, mạng nơ ron tích chập được coi như một công cụ hữu hiệu nhất trong kỹ thuật chuẩn đoán và xử lý hình ảnh. Trong bài báo này, các tác giả đã nghiên cứu và áp dụng giải thuật lai ghép SSDLite_MobileNetV2 cải tiến vào hệ thống báo động trực ca hàng hải GTS.V1. Phần cứng thiết kế dựa trên Raspberry Pi-3, một board máy tính nhúng với CPU cấp điện thoại thông minh, RAM giới hạn và không có GPU CUDA. Kết quả thực nghiệm cho thấy hoàn toàn có thể đưa một mô hình học sâu áp dụng lên các máy tính nhúng với độ chính xác cao như các kết quả trong nghiên cứu này.

Currently, Convolutional Neural Networks are considered as the most effective tool in image diagnosis and processing techniques. In this paper, the authors have studied and applied the modified SSDLite_MobileNetV2 hybrid algorithm to Bridge Navigational Watch & Alarm System - GTS.V1(BNWAS). The hardware was designed based on Raspberry Pi-3, a embedded single board computer with CPU smartphone level, limited RAM without CUDA GPU. Experimental results showed that we can deploy a deep learning model on an embedded single board computer with high effective.

TTKHCNQG, CVv 391

Xem toàn văn
  • [1] Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, Liang-Chieh Chen (), “MobileNetV2: Inverted Residuals and Linear Bottlenecks”,arXiv:1801.04381
  • [2] Joseph Redmon and Ali Farhadi (2016), “Yolo9000: Better, faster, stronger”,arXiv: 1612.08242
  • [3] (), IMO MSC.282(86) Chapter V, Reg.19, adopted on 5 June 2009.,
  • [4] (), IEC 62616:2010 Maritime Navigation and Radio Communication Equipment and Systems- Bridge Navigational Watch Alarm System (BNWAS).,
  • [5] (), IMO A.1021(26) Code on Alerts and Indicators 2009.,
  • [6] (), IMO MSC.128(75) Performance Standards for a Bridge Navigational Watch Alarm System (BNWAS),
  • [7] Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi (), “You Only Look Once: Unified, Real-Time Object Detection”,IEEE(CVPR) June 2016, pp 1063-6919.
  • [8] S. Ren, K. He, R. Girshick, J. Sun (), “Faster r-cnn: To-wards real-time object detection with region proposal networks”,IEEE Volume: 39, Issue: 6, June 1 2017, pp 1137 – 1149.
  • [9] Chengcheng Ning, Huajun Zhou, Yan Song, Linhui Tang (2017), “Inception Single Shot Multibox Detector for Object Detection”,In ICME
  • [10] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. E. Reed, C.-Y. Fu, and A. C. Berg (2016), Ssd: Single shot multibox detector,In ECCV
  • [11] Krizhevsky, I. Sutskever, and G. E. Hinton (), “Imagenet classification with deep convolutional neural networks”,In NIPS, 2012, pp 1097-1105