ترجمه فارسی مقاله دانش سین به واقعی برای پیش بینی عبور از عابر پیاده در رانندگی ایمن

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Gating Syn-to-Real Knowledge for Pedestrian Crossing Prediction in Safe Driving
عنوان مقاله به فارسی دانش سین به واقعی برای پیش بینی عبور از عابر پیاده در رانندگی ایمن
نویسندگان Jie Bai, Jianwu Fang, Yisheng Lv, Chen Lv, Jianru Xue, Zhengguo Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 24 August, 2024; originally announced September 2024. , Comments: under review by TITS
توضیحات به فارسی ارسال شده در 24 اوت 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: تحت بررسی توسط TITS
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Pedestrian Crossing Prediction (PCP) in driving scenes plays a critical role in ensuring the safe operation of intelligent vehicles. Due to the limited observations of pedestrian crossing behaviors in typical situations, recent studies have begun to leverage synthetic data with flexible variation to boost prediction performance, employing domain adaptation frameworks. However, different domain knowledge has distinct cross-domain distribution gaps, which necessitates suitable domain knowledge adaption ways for PCP tasks. In this work, we propose a Gated Syn-to-Real Knowledge transfer approach for PCP (Gated-S2R-PCP), which has two aims: 1) designing the suitable domain adaptation ways for different kinds of crossing-domain knowledge, and 2) transferring suitable knowledge for specific situations with gated knowledge fusion. Specifically, we design a framework that contains three domain adaption methods including style transfer, distribution approximation, and knowledge distillation for various information, such as visual, semantic, depth, location, etc. A Learnable Gated Unit (LGU) is employed to fuse suitable cross-domain knowledge to boost pedestrian crossing prediction. We construct a new synthetic benchmark S2R-PCP-3181 with 3181 sequences (489,740 frames) which contains the pedestrian locations, RGB frames, semantic images, and depth images. With the synthetic S2R-PCP-3181, we transfer the knowledge to two real challenging datasets of PIE and JAAD, and superior PCP performance is obtained to the state-of-the-art methods.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی عبور از عابر پیاده (PCP) در صحنه های رانندگی نقش مهمی در اطمینان از عملکرد ایمن وسایل نقلیه هوشمند دارد.با توجه به مشاهدات محدود از رفتارهای عبور عابر پیاده در شرایط معمولی ، مطالعات اخیر شروع به بهره برداری از داده های مصنوعی با تنوع انعطاف پذیر برای تقویت عملکرد پیش بینی ، استفاده از چارچوب های سازگاری دامنه می کند.با این حال ، دانش دامنه مختلف دارای شکاف توزیع متقابل متمایز است ، که به روشهای مناسب سازگاری دانش دامنه برای کارهای PCP نیاز دارد.در این کار ، ما یک رویکرد انتقال دانش SYN-to Real را برای PCP (Gated-S2R-PCP) پیشنهاد می کنیم ، که دارای دو هدف است: 1) طراحی روشهای سازگاری دامنه مناسب برای انواع مختلف دانش دامنه عبور ، و 2) انتقال دانش مناسب برای موقعیت های خاص با همجوشی دانش دروازه.به طور خاص ، ما یک چارچوب را طراحی می کنیم که شامل سه روش سازگاری دامنه از جمله انتقال سبک ، تقریب توزیع و تقطیر دانش برای اطلاعات مختلف مانند بصری ، معنایی ، عمق ، مکان و غیره است. یک واحد دروازه ای قابل یادگیری (LGU) برای فیوز مناسب استفاده می شوددانش متقابل متقابل برای تقویت پیش بینی عبور از عابر پیاده.ما یک معیار مصنوعی جدید S2R-PCP-3181 با 3181 توالی (489،740 فریم) ایجاد می کنیم که حاوی مکان های عابر پیاده ، قاب های RGB ، تصاویر معنایی و تصاویر عمق است.با استفاده از مصنوعی S2R-PCP-3181 ، ما دانش را به دو مجموعه داده چالش برانگیز PIE و JAAD منتقل می کنیم و عملکرد PCP برتر به روشهای پیشرفته بدست می آید.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.