Andere Kunden interessierten sich auch für
![Analisi di FN e LRFD per le comunicazioni ad alta velocità]( "Analisi di FN e LRFD per le comunicazioni ad alta velocità")
Analisi di FN e LRFD per le comunicazioni ad alta velocità29,99 €![Immagini di amante e amato nella creazione di Hafiz Khorazmi]( "Immagini di amante e amato nella creazione di Hafiz Khorazmi")
Immagini di amante e amato nella creazione di Hafiz Khorazmi39,99 €![Imaging mammografico: controllo di qualità e sicurezza delle immagini]( "Imaging mammografico: controllo di qualità e sicurezza delle immagini")
Imaging mammografico: controllo di qualità e sicurezza delle immagini29,99 €![Restauro di immagini]( "Restauro di immagini")
Restauro di immagini29,99 €![INTERPRETAZIONE DELLE IMMAGINI NEI RACCONTI DI SHUKUR KHOLMIRZAEV]( "INTERPRETAZIONE DELLE IMMAGINI NEI RACCONTI DI SHUKUR KHOLMIRZAEV")
INTERPRETAZIONE DELLE IMMAGINI NEI RACCONTI DI SHUKUR KHOLMIRZAEV26,99 €![Valutazione degli incidenti stradali e delle relative misure di mitigazione]( "Valutazione degli incidenti stradali e delle relative misure di mitigazione")
Valutazione degli incidenti stradali e delle relative misure di mitigazione29,99 €![UN APPROCCIO A RETE NEURALE PER IL CONTEGGIO DEL NUMERO DI IMMAGINI]( "UN APPROCCIO A RETE NEURALE PER IL CONTEGGIO DEL NUMERO DI IMMAGINI")
UN APPROCCIO A RETE NEURALE PER IL CONTEGGIO DEL NUMERO DI IMMAGINI29,99 €
Il rilevamento di caratteristiche stradali da immagini telerilevate è fondamentale per mantenere una rete stradale aggiornata e affidabile, essenziale per i trasporti, la pianificazione delle emergenze e la navigazione. Sebbene le reti neurali convoluzionali si siano dimostrate promettenti nell'automatizzare questo processo, i metodi esistenti spesso scambiano l'accuratezza con la complessità. Questo studio mira a sviluppare un metodo accurato di estrazione delle strade senza sacrificare l'efficienza computazionale. Proponiamo una rete neurale di segmentazione semantica che combina l'apprendimento per trasferimento e l'architettura U-net con una complessità minima. Le tecniche di post-elaborazione sono impiegate per migliorare la qualità dell'output. Il nostro metodo raggiunge un punteggio F1 di 0,83 e un'accuratezza del 95,57%, superando altri modelli sul set di dati del Massachusetts. Questo approccio dimostra prestazioni superiori e una ridotta complessità della rete rispetto ai metodi esistenti.