E. 유르트세버, Y. 리우, J. 램버트, C. 미야지마, E. 다케우치, K. 다케다, J. H. L. Hansen, « 세분화 마스크 전송을 통한 깊은 시공간 네트워크를 사용하는 차선 변경 비디오 클립의 위험한 동작 인식 », 2019년 10월 IEEE 지능형 교통 시스템 컨퍼런스(ITSC), 2019년 10월, pp. 3100-3107 2- [MaskRCNN 기반 모델전용 https://www.dropbox.com/s/n81pagybkj8p5w1/mask_rcnn_coco.h5?dl=0] [마스크RCNN 기반 모델전용] 에킴 유르트세버/딥TL-레인-변경 분류에서 새로운 릴리스에 대한 알림을 원하십니까? 연구에 유용한 코드를 찾으면 논문을 인용하는 것을 고려해 보십시오: 아무 일도 일어나지 않으면 GitHub Desktop을 다운로드하고 다시 시도하십시오. – 정식 출시는 곧 제공될 예정입니다.
업데이트를 계속 지켜봐 주시기 바랍니다! 로그인에 어려움이 있는 경우 문의하십시오. 1- 데이터/입력에서 lc_samples_50frames.tar.gz의 내용을 추출하십시오. 추출 후의 폴더 구조는 다음과 같아야 합니다. 또한 마스크된 이미지는 /data/masked_images 저장됩니다. 이 메서드는 성능이 높지만 속도가 느립니다. 위험 추론 결과는 다음과 같아 https://www.tensorflow.org/install/gpu야 합니다. 모델의 아키텍처는 다음과 같습니다. SMT는 « 시맨틱 마스크 전송 »을 의미합니다.
자세한 내용은 논문에서 확인하시기 바랍니다. *이 모델과 가중치는 원래 마터포트의 마스크 R-CNN 구현에서 얻은 것입니다. 다음은 두 가지 예입니다. 왼쪽 차선 변경은 안전도로 분류되며 오른쪽 차선 변경은 위험한 것으로 분류됩니다. 사회 저널 콘텐츠에 대한 액세스는 제목에 따라 다릅니다. 일부 사회 저널은 개인 프로필을 만든 다음 사회 계정을 활성화하여 사회 또는 협회를 통해 저널에 액세스 할 수있는 경우 사회 또는 협회 회원을 통해 저널에 액세스 할 수있는 경우 아래의 지침을 읽고 사회 저널을 찾아 보고 기사를 선택하고이 상자의 지침을 따르십시오. 참고 : 위의 명령과 함께 신선한 파이썬 3.6 환경에 설치하십시오. 다른 버전의 케라스 또는 텐서플로우-GPU를 사용하는 경우, 학습된 모델은 작동하지 않거나 잘못된 결과를 제공합니다!! 학습된 모델은 네트워크를 학습하는 데 사용한 특정 텐서플로우 gpu 버전에서만 작동합니다(현재 교육 데이터에 대한 열린 액세스 없음). 아래에 언급 된 결과를 얻지 못하면 종속성을 확인하고 requirements.txt 파일과 비교하십시오. Matterport에 의한 마스크 R-CNN 구현은 /Mask_RCNN 아래이 프로젝트의 세분화 부분에 사용됩니다.
이렇게 하면 폴더 데이터/input/.의 모든 차선 변경의 위험 수준이 추론됩니다. 결과를 인쇄합니다. 이 스크립트는 위험 추론을 위해 ResNET 백본을 사용합니다. 이는 MaskRCNN 기반 의미 체계 마스크 전송 백본보다 빠르지만 성능이 낮습니다.